IS HEALTH AT RISK? A QUANTITATIVE STUDY ASSESSING THE IMPACT OF EXCESSIVE MOBILE APPLICATION USE ON PHYSICAL AND MENTAL WELL-BEING AMONG ADULTS IN SAUDI ARABIA.
Notice bibliographique
Résumé
BACKGROUND: The widespread adoption of smartphones and mobile applications has transformed communication, education, and productivity but also raised concerns about their potential impact on physical and mental well-being. Excessive daily use is linked to sleep disturbance, musculoskeletal discomfort, visual strain, anxiety, and depressive symptoms. In Saudi Arabia, where smartphone penetration is remarkably high, these challenges demand systematic attention and targeted interventions. METHODS: This study adopted a cross-sectional design and addressed the relationship between mobile application use and health outcomes among adults. Data were collected using a validated survey that included sociodemographic variables, app usage patterns, sleep quality, physical symptoms, and psychological status. The assessment incorporated the PSQI, NMP-Q, and DASS-21. Statistical analysis included descriptive measures, chi-square tests, correlations, and regression models to evaluate predictors of health outcomes. RESULTS: A total of 823 participants completed the survey. Excessive app use (>4 hours/day) was highly prevalent. Eye strain, neck and shoulder pain, and headaches were the most frequent physical symptoms, while insomnia, anxiety, and depression were common psychological complaints. Poor sleep quality was significantly associated with longer app use, shorter sleep duration, and anxiety. Nomophobia scores revealed moderate to high dependency, with participants frequently reporting discomfort and anxiety when disconnected from their phones. CONCLUSION: The findings highlight a strong relationship between mobile application overuse and negative health outcomes. Excessive use, particularly of social media, entertainment, and gaming apps, was linked with impaired sleep, physical discomfort, and psychological distress. These results call for greater attention in clinical practice, targeted public health interventions, and national policies to promote balanced and mindful technology use.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».