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 mobile indulgence—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 mobile temptation over time, with particular attention to app characteristics, precommitment modes, and individual differences. To empirically validate our framework, we employ a structural model using a multiple discrete-continuous extreme value (MDCEV) approach, which endogenizes individuals’ choices of blocker modes (rigid vs. flexible) and simultaneously examines their app usage behaviors. Our unique dataset—capturing consumer app consumption with and without blocking features active—reveals that consistent use of precommitment apps not only fosters positive habit formation but also significantly reduces compulsive app usage across both hedonic and utilitarian categories. Furthermore, we find that flexible precommitment strategies outperform their rigid counterparts in reducing utilitarian app usage. Individual factors, such as gender and age, are found to play a moderating role in the efficacy of these precommitment strategies. Counterfactual simulations reveal that users who build stronger habit stock through repeated blocker use exhibit significantly lower app usage even after the tool is removed. Scaling the analysis to the population level further shows that expanding access to precommitment devices meaningfully reduces overall smartphone engagement and enhances digital well-being. Based on these empirical findings, we derived implications that can guide policymakers and managers in address excessive mobile dependence 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 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».