Promoting Self-Regulated Social Media Use on Smartphones With a Mobile Intervention App (Wellspent): Randomized Controlled Trial
Notice bibliographique
Résumé
Background: Problematic social media use has been linked to reduced well-being and impulse control difficulties. While digital self-control apps show potential for reducing general app usage, they often lack customization, leading to limited effectiveness and increased user resistance. Their impact on problematic social media use remains uncertain. Objective: This study evaluates the effectiveness of the Wellspent app, a customizable mobile intervention app designed to promote self-regulated social media use by targeting user-defined problematic app use and offering tailored behavioral nudges. Methods: In a 3-week randomized controlled trial, 70 iPhone users (mean age 26.2, SD 5.6 years; 47/70, 67% female), regularly using at least 1 social media app, were randomly assigned to an intervention (n=35) or control group (n=35). The intervention group received personalized full-screen reminders with the option to quit or continue social media app use whenever an app session exceeded a self-defined time limit. Participants completed weekly online surveys measuring problematic social media use, problematic smartphone use, self-efficacy, and daily screen time on their most problematic app. Linear mixed models tested intervention effects. Results: While no significant reduction in problematic social media use or increase in self-efficacy was observed, the intervention group showed a significant reduction in daily screen time on their most problematic app by approximately 29 minutes (estimate=-29.35, SE 6.84, 95% CI -42.79 to -15.99; P<.001), and a significant decrease in perceived problematic smartphone use (estimate=-0.46, SE 0.18, 95% CI -0.80 to -0.11; P=.01). Conclusions: The Wellspent app demonstrated short-term efficacy in reducing problematic smartphone use. By allowing users to tailor interventions to their personal goals, the app shows promise as a self-directed tool to support healthier digital habits. Further research should explore long-term effects and feature-specific impacts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».