The Association Between Negative Online Behaviours and Problematic Social Media Use in Adolescents: Comparing Psychiatric Inpatients and Community Participants.
Notice bibliographique
Résumé
Objectives: The U.S. Surgeon General's Advisory recently highlighted (2023) the urgency to better understand the impacts of social media on youth mental health, emphasizing the need to distinguish normative from problematic social media use (PSMU). This study aims to investigate specific online behaviours in adolescents, examining their association with PSMU, depressive symptoms and past abuse. Methods: 247 adolescents (ages 12-17) completed online questionnaires; 124 were part of the community group (CG) and 123 were psychiatric inpatients (Hospitalized Group, HG). The Bergen Social Media Addiction Scale (BSMAS) and PHQ-9 were used to evaluate PSMU and depressive symptoms. Additionally, participants reported on cyberbullying victimization, sexting, accessing self-harm content online and past abuse. Logistic regression analyses were used to measure the strength of association of different score predictors (BSMAS, PHQ-9, abuse) on negative behaviours. Results are presented as odds ratios (OR) with 95% confidence intervals (CI). Results: The prevalence rates of negative online behaviours were similar to those in the existing literature for cyber bullying victimization (20.5%), sexting (20.4%) and self-harm content seeking (27.6%). They were all more frequent in the hospitalized group. They were also associated with PSMU: cyber bullying victimization (OR 4.54, 95% CI [1.95-10.54]), sexting (OR 5.47, 95% CI [2.37-12.81]), and self-harm content seeking (OR 4.71, 95% CI [2.07-11.09]). Moreover, negative behaviours were associated with depressive symptoms as well as past physical and sexual abuse. Conclusions: Problematic social media use (PSMU) is associated with multiple negative online behaviours. Mental health professionals should include questions about social media use and online behaviours in their clinical assessment of adolescents.
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 | 0,001 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».