Le bien-être numérique, un enjeu de santé mentale technologique : la place du téléphone intelligent
Bibliographic record
Abstract
Objectifs Présenter le concept de bien-être numérique et explorer la place d’outils digitaux au service de ce bien-être. Méthode L’article se base sur une description du concept de bien-être numérique, des modèles d’intervention actuellement disponibles et des possibilités d’évolution de ces modèles. Résultats L’utilisation des téléphones intelligents ou « smartphones » est devenue omniprésente dans la société moderne, en particulier chez les adolescents et les jeunes adultes. Avec une connectivité intelligente, interactive, pratique et permanente, les individus sont confrontés à de nouveaux défis et à de nouvelles pressions liées au moment, à l’endroit, à la manière et à l’intensité avec lesquels ils décident de se connecter ou de se déconnecter des services fournis par le téléphone intelligent. L’utilisation problématique des téléphones intelligents a été associée à des troubles de la santé mentale et à des problèmes fonctionnels. Face à cet enjeu d’un usage du numérique au service du bien-être, le concept de bien-être numérique a récemment été introduit. Il s’agit de l’expérience subjective et individuelle d’un équilibre optimal entre les avantages et les inconvénients associés à la technologie numérique. Des outils technologiques orientés sur le contrôle des temps d’usage des écrans sont proposés. Les résultats de ces approches sont mitigés. Conclusion Pour une efficacité optimale, une meilleure intégration des interfaces dynamiques entre l’humain et la machine pourrait être essentielle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.009 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".