Who is concerned about digitalization? The role of digital literacy and exposure across 30 countries
Notice bibliographique
Résumé
Rapid digitalization has unleashed widespread digital concerns, namely concerns about the potential harms associated with digital technology use, such as privacy loss, blurred work-family boundaries, and misinformation. Analyzing nationally representative data from the European Social Survey (2020–2022; N = 49,665), we present the first evidence across 30 countries on the prevalence of and sociodemographic variations in digital concerns, as well as how digital literacy and exposure relate to these concerns. Our findings reveal high levels of digital concerns, averaging 0.65 across countries on a 0–1 scale, ranging from 0.47 in Bulgaria to 0.74 in the Netherlands. Following a concave age pattern, adults aged 25–44 years report greater concerns compared to younger people and older adults. More educated individuals report greater digital concerns than those with less education. Digital concerns, however, vary little across the income spectrum or from big cities to remote villages. Exhibiting a positive digital literacy–concern link, those with greater digital literacy are more concerned about digital technologies’ potential harms. This digital literacy–concern link intensifies with digital exposure, which is measured through both individual-level technology use and country-level internet coverage. Our study highlights digital concerns as an understudied yet prominent feature of everyday life in today’s societies. Global agendas for improving digital literacy and engagement should incorporate efforts to address not just digital technologies’ ramifications but also people’s concerns about them.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».