Curbing Excessive Smartphone Use through Precommitment Apps: A Multiple Discrete-Continuous Extreme Value Approach
Notice bibliographique
Résumé
The issue of smartphone addiction has been extensively studied, yet there is a lack of exploration into effective solutions to mitigate the impulsivity and temptation induced by these addictive technologies. Despite the proliferation of precommitment-based blocking apps introduced by major smartphone manufacturers, little is known about their effectiveness in curbing compulsive indulgence in smartphones—particularly among users with varying capacities for self-regulation. Drawing on a rational habit-formation framework, this study investigates how precommitment measures reduce susceptibility to smartphone temptation over time, with particular attention paid to app characteristics, precommitment modes, and individual differences. To empirically validate our framework, we employed a structural model using a multiple discrete-continuous extreme value (MDCEV) approach, which endogenized individuals’ choices of blocker modes (rigid vs. flexible) and simultaneously examines their app usage behaviors. Our unique dataset—capturing consumer app usage with and without blocking features active— revealed that consistent use of precommitment apps not only fostered positive habit formation but also significantly reduced compulsive app usage across both hedonic and utilitarian categories. Furthermore, we found that flexible precommitment strategies outperformed their rigid counterparts in reducing utilitarian app usage. Individual factors, such as gender and age, were found to play a moderating role in the efficacy of these strategies. Counterfactual simulations revealed that users who built a stronger habit stock through repeated blocker use exhibited significantly lower app usage even after the tool was removed. Scaling the analysis to the population level further showed that expanding access to precommitment tools meaningfully reduced overall smartphone engagement and enhanced digital well-being. Based on these empirical findings, we derived implications that can guide policymakers and managers in addressing excessive dependence on smartphones in public and workplace environments.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».