PLoS One. 2016 Aug 17; 11 (8): e0159788. doi: 10.1371 / journal.pone.0159788.
Kim Y1, Jeong JE2, Cho H2, Jung DJ2, Kvak M2, Rho MJ3, Yu H1, Kim DJ2, Choi İY3.
mücərrəd
Bu araşdırmanın məqsədi, smartfon asılılığının (SAP) şəxsiyyət faktoru ilə əlaqəli proqnozlaşdırıcılarını müəyyən etmək idi. İştirakçılar 2,573 kişi və 2,281 qadın (n = 4,854), 20-49 yaş (Orta ± SD: 33.47 ± 7.52); İştirakçılar aşağıdakı anketləri doldurdular: Koreyalı Smartphone Asılılığı Ölçüsü Ölçüsü (K-SAPS), Yetkinlər üçün Davranış İnhibe Sistemi / Davranış Aktivləşdirmə Sistemi anketi (BIS / BAS), Dickman Dysfunctional Impulsivity Aləti (DDII) və Qısa İdarəetmə Ölçək (BSCS). Bundan əlavə, iştirakçılar demoqrafik məlumatları və smartfonlardan istifadə qaydalarını (həftə və ya həftə sonu ortalama istifadə saatları və əsas istifadə) bildirdi. Məlumatları üç addımda təhlil etdik: (1), logistik reqresi olan proqnozlaşdırıcıları müəyyənləşdirmək, (2) Bayesian inanc şəbəkəsini (BN) istifadə edərək SAP və onun proqnozlaşdırıcıları arasındakı səbəb əlaqələrini meydana gətirən və (3) müəyyən edilənlər üçün optimal kəsmə nöqtələrini hesablayan Youden indeksindən istifadə edən proqnozlaşdıranlar.
SAP-ın müəyyən edilmiş proqnozlaşdırıcıları aşağıdakılardı: cinsiyyət (qadın), həftəsonu ortalama istifadə saatları və BAS-Drive, BAS-Reward Responsiveness, DDII və BSCS-də ballar. BAS-Drive və BSCS-də qadın cinsi və puanları birbaşa SAP artırdı. BAS-Reward Responsiveness və DDII dolayı yolla SAP artırdı. SAP-ın maksimum həssaslıqla aşağıdakı şəkildə müəyyən edildiyini gördük: həftə sonu orta istifadə saatları> 4.45, BAS-Drive> 10.0, BAS-Reward Responsiveness> 13.8, DDII> 4.5 və BSCS> 37.4. Bu iş şəxsiyyət faktorlarının SAP-a töhfə vermə ehtimalını artırır. Və əsas proqnozlaşdırıcılar üçün kəsmə nöqtələrini hesabladıq. Bu tapıntılar klinisyenlərin kəsmə nöqtələrindən istifadə edərək SAP taramasına və SA risk faktorlarının anlaşılmasına kömək edə bilər.
PMID: 27533112
DOI: 10.1371 / journal.pone.0159788
;
