Patologisk internetbrug og risikoadfærd blandt europæiske teenagere (2016)

Int. J. Environ. Res. Folkesundhed 2016, 13(3), 294; doi:10.3390 / ijerph13030294

Tony Durkee 1,*, Vladimir Carli 1, Birgitta Floderus 2, Camilla Wasserman 3,4, Marco Sarchiapone 3,5, Alan Apter 6, Judit A. Balazs 7,8, Julio Bobes 9, Romuald Brunner 10, Paul Corcoran 11, Doina Cosman 12, Christian Haring 13, Christina W. Hoven 4,14, Michael Kaess 10, Jean-Pierre Kahn 15, Bogdan Nemes 12, Vita Postuvan 16, Pilar A. Saiz 9, Peeter Värnik 17 og Danuta Wasserman 1
1
Nationalt Center for Selvmordsforskning og Forebyggelse af Mental Ill-Health (NASP), Karolinska Institutet, Stockholm SE-17177, Sverige
2
Institut for Klinisk Neurovidenskab, Karolinska Institutet, Stockholm SE-17177, Sverige
3
Institut for Medicin og Sundhedsvidenskab, Molise Universitet, Campobasso 86100, Italien
4
Department of Child and Adolescent Psychiatry, New York State Psychiatric Institute, Columbia University, New York, NY 10032, USA
5
Nationalt Institut for Migration og Fattigdom, Via San Gallicano, Roma 25/A, Italien
6
Feinberg Child Study Centre, Schneider Children's Medical Center, Tel Aviv University, Tel Aviv 49202, Israel
7
Vadaskert børne- og ungdomspsykiatrisk hospital, Budapest 1021, Ungarn
8
Institut for Psykologi, Eötvös Loránd Universitet, Budapest 1064, Ungarn
9
Institut for Psykiatri, Center for Biomedicinsk Forskning i Mental Health Network (CIBERSAM), University of Oviedo, Oviedo 33006, Spanien
10
Sektion for forstyrrelser i personlighedsudvikling, klinik for børne- og ungdomspsykiatri, Center for Psykosocial Medicin, Universitetet i Heidelberg, Heidelberg 69115, Tyskland
11
National Suicide Research Foundation, Western Rd., Cork, Irland
12
Institut for Klinisk Psykologi, Iuliu Hatieganu University of Medicine and Pharmacy, Str. Victor Babes Nr. 8, Cluj-Napoca 400000, Rumænien
13
Forskningsafdelingen for mental sundhed, University for Medical Information Technology (UMIT), Klagenfurt, Innsbruck 6060, Østrig
14
Department of Epidemiology, Mailman School of Public Health, Columbia University, New York, NY 10032, USA
15
Institut for Psykiatri, Centre Hospitalo-Universitaire de Nancy, Université de Lorraine, Nancy, Vandoeuvre-lès-Nancy 54500, Frankrig
16
Slovensk Center for Selvmordsforskning, Andrej Marušič Institute, University of Primorska, Koper 6000, Slovenien
17
Center for adfærds- og sundhedsvidenskaber, Estisk-svensk Institut for Mental Health & Suicidology, Tallinn University, Tallinn 10120, Estland
*
Correspondence: Tel.: +46-852-486-935; Fax: +46-8-30-64-39
Akademisk redaktør: Paul B. Tchounwou
Modtaget: 1. december 2015 / Accepteret: 3. marts 2016 / Udgivet: 8. marts 2016

Abstrakt

: Risikoadfærd er en væsentlig bidragyder til de førende årsager til sygelighed blandt unge og unge; dog er deres sammenhæng med patologisk internetbrug (PIU) relativt uudforsket, især i den europæiske kontekst. Hovedformålet med denne undersøgelse er at undersøge sammenhængen mellem risikoadfærd og PIU hos europæiske unge. Denne tværsnitsundersøgelse blev udført inden for rammerne af FP7 European Union-projektet: Saving and Empowering Young Lives in Europe (SEYLE). Data om unge blev indsamlet fra randomiserede skoler inden for undersøgelsessteder i elleve europæiske lande. PIU blev målt ved hjælp af Young's Diagnostic Questionnaire (YDQ). Risiko-adfærd blev vurderet ved hjælp af spørgsmål hentet fra Global School-Based Student Health Survey (GSHS). I alt 11,931 unge blev inkluderet i analyserne: 43.4 % mænd og 56.6 % kvinder (M/K: 5179/6752), med en gennemsnitsalder på 14.89 ± 0.87 år. Unge, der rapporterede dårlige sovevaner og risikovillige handlinger, viste de stærkeste associationer til PIU, efterfulgt af tobaksbrug, dårlig ernæring og fysisk inaktivitet. Blandt unge i PIU-gruppen blev 89.9% karakteriseret som havende flere risikoadfærd. Den signifikante sammenhæng, der er observeret mellem PIU og risikoadfærd, kombineret med en høj frekvens af samtidig forekomst, understreger vigtigheden af ​​at overveje PIU ved screening, behandling eller forebyggelse af højrisikoadfærd blandt unge.

Nøgleord: patologisk internetbrug; Internet afhængighed; risiko-adfærd; flere risiko-adfærd; usund livsstil; unge; SEYLE

1. Introduktion

Ungdomsalderen er en overgangsperiode præget af betydelige ændringer i fysiske, sociale og psykologiske egenskaber [1]. Desuden undergår forhold til jævnaldrende, familie og samfund tydelige ændringer i denne forbigående periode, da teenagere begynder at hævde autonomi over deres beslutninger, følelser og adfærd [2]. Sociale evner hos unge udvikler sig ofte i løbet af psykosociale interaktioner inden for forskellige læringskontekster [3]. I betragtning af den omfattende platform til fremme af social kognition og interpersonelle færdigheder [4,5], Internettet har vist sig at være en ny og unik kanal for psykosocial udvikling blandt unge [6,7].
På trods af disse iboende fordele har undersøgelser vist, at hyppig og langvarig brug af online-applikationer har en tilbøjelighed til at fortrænge konventionelle sociale interaktioner og relationer.8,9]. Der er beviser, der viser, at akkumuleret tid online fortrænger tid på ansigt-til-ansigt interaktion med familie og venner [10], deltagelse i aktiviteter uden for undervisningen [11], fuldførelse af akademiske opgaver [12], ordentlige spisevaner [13], fysisk aktivitet [14] og sover [15]. Da teenagere bruger mere tid online, er der en risiko for, at deres internetbrug kan blive overdreven eller endda patologisk [16].
 
Patologisk internetbrug (PIU) er karakteriseret ved overdrevne eller dårligt kontrollerede bekymringer, trang eller adfærd vedrørende internetbrug, der fører til svækkelse eller angst [17]. PIU er konceptuelt blevet modelleret som en impulskontrolforstyrrelse og klassificeret som en taksonomi af adfærdsafhængig afhængighed beslægtet med arten af ​​patologisk gambling [18]. På trods af de seneste fremskridt inden for PIU-forskning, er bestræbelserne på at forstå dette fænomen hæmmet af manglen på international konsensus om de diagnostiske kriterier for tilstanden. Det er hverken opført i Diagnostic and Statistical Manual of Mental Disorders (DSM) eller den internationale klassifikation af sygdomme (ICD) nosologiske systemer. Den største udfordring for PIU-forskning er dens opfattelse som en vanedannende lidelse.
 
I lyset af disse påstande, den nyligt udgivne DSM-5 [19] har inkluderet adfærdsafhængighed (ikke-stof-relaterede vanedannende lidelser) som en officiel diagnostisk kategori, hvor gambling disorder (GD) er den eneste tilstand, der er opført i denne nye klassifikation. Internetgamingforstyrrelse (IGD) er også en potentiel undertype af adfærdsafhængighed, der blev overvejet at inkludere i DSM nosologiske system; dog manglede beviser, der understøttede IGD som en diagnostisk lidelse, stadig. IGD blev efterfølgende inkluderet i afsnit III i DSM-5, som en betingelse, der krævede yderligere undersøgelse [20], for at bestemme dens eventuelle egnethed som en diagnostisk lidelse. På trods af den nuværende nosologiske tvetydighed af PIU, er der fortsat overvindende beviser, der viser en stærk forbindelse mellem PIU og andre former for afhængighed [21,22,23,24].
Forskning viser, at personer med PIU deler neurologiske, biologiske og psykosociale egenskaber med både adfærdsmæssige og stofrelaterede afhængigheder.25,26,27,28,29]. Baseret på en teoretisk model betegnet af Griffiths [30], er der seks kernesymptomer udstillet i vanedannende lidelser, der er relevante for PIU. Disse omfatter: fremtrædende karakter (optagethed af onlineaktiviteter), humørændringer (brug af internettet til at undslippe eller lindre stress), tolerance (nødvendigheden af ​​at være online længere), tilbagetrækning (depression og irritabilitet, når du er offline), konflikter (interpersonelle og intrapsykiske) og tilbagefald (mislykkede forsøg på at afbryde internetbrugen). Disse kernekomponenter giver en teoretisk ramme til at estimere størrelsen af ​​PIU.
 
Prævalensrater for PIU varierer betydeligt på tværs af landene, delvist på grund af heterogeniteten af ​​dens definition, nomenklatur og diagnostiske vurdering. I et forsøg på at estimere en global udbredelse, Cheng og Li [31] adresserede disse uoverensstemmelser ved at anvende en tilfældig effektmetaanalyse ved hjælp af undersøgelser med sammenlignelige psykometriske instrumenter og kriterier. Denne tilgang gav i alt 89,281 deltagere fra 31 lande, der spænder over flere verdensregioner. Resultaterne viste, at den globale prævalens af PIU var 6.0 % (95 % CI: 5.1-6.9) med kun moderat heterogenitet.
Prævalensundersøgelser, der vurderer PIU på europæisk niveau ved hjælp af repræsentative prøver, er begrænsede. På trods af denne mangel, er der nye epidemiologiske beviser, der indikerer stabile tendenser i prævalensrater blandt denne målgruppe. I et repræsentativt udsnit af europæiske unge (n = 18,709) i alderen 11-16 år viste Blinka et al. [32] viste, at prævalensen af ​​PIU var 1.4 %. Dette falder sammen med rater rapporteret af Tsitsika et al. [33], som estimerede en PIU-prævalens på 1.2 % i et repræsentativt udvalg af europæiske unge (n = 13,284) i alderen 14-17 år. Durkee og kolleger [34], observerede dog en lidt højere PIU-prævalens på 4.4 % i et repræsentativt udvalg af europæiske unge (n = 11,956) i alderen 14-16 år. Prævalensrater for PIU i Europa har vist sig at være signifikant højere hos mænd end hos kvinder, stiger med alderen, varierer fra land til land og er forbundet med en række psykiske og adfærdsmæssige lidelser [35,36,37,38,39].
 
Begyndelsen af ​​risikoadfærd forekommer ofte i ungdomsårene med stor sandsynlighed for kontinuitet ind i voksenalderen. Mænd har en tendens til at have en højere prævalens end kvinder, og hyppigheden af ​​risikoadfærd har en tendens til at stige med alderen [40]. Der er forskellige sværhedsgrader lige fra lavrisiko (dårlige sovevaner, dårlig ernæring og fysisk inaktivitet) til højrisikoadfærd (overdreven alkoholbrug, ulovligt stofbrug og tobaksbrug). Forskning har typisk vurderet risikoadfærd som uafhængige enheder, selvom klare beviser viser deres samtidige forekomst, selv i en tidlig alder [41,42]. Populationer med flere risikoadfærd har den største risiko for kroniske sygdomme, psykiatriske lidelser, selvmordsadfærd og for tidlig død sammenlignet med personer med enkelt eller ingen risikoadfærd [43,44]. I betragtning af den samtidige karakter af risiko-adfærd er det bydende nødvendigt at forstå deres betydning for unges risiko for PIU.
 
Youth Risk Behavior Surveillance System (YRBSS) i USA fastslår, at risikoadfærd er en væsentlig bidragyder til de førende årsager til sygelighed blandt unge og unge [45]. Bortset fra denne implicitte antagelse er der relativt lidt forskning, der systematisk undersøger, i hvilket omfang disse former for adfærd relaterer sig til unges PIU, især i den europæiske kontekst. Epidemiologiske undersøgelser er nødvendige for at opnå en bedre forståelse af dette fænomen.
 
Baseret på et stort, repræsentativt udvalg af skolebaserede unge i Europa, er det primære formål med denne undersøgelse at undersøge sammenhængen mellem risikoadfærd (dvs. alkoholbrug, ulovligt stofbrug, tobaksbrug, risikovillighed, pjækkeri, dårlige sovevaner, dårlig ernæring og fysisk inaktivitet) og forskellige former for internetbrug.

2. Materialer og metoder

2.1. Studiedesign og befolkning

Denne tværsnitsundersøgelse blev udført inden for rammerne af EU-projektet: Saving and Empowering Young Lives in Europe (SEYLE) [46]. Teenagere blev rekrutteret fra tilfældigt udvalgte skoler på tværs af studiesteder i Østrig, Estland, Frankrig, Tyskland, Ungarn, Irland, Israel, Italien, Rumænien, Slovenien og Spanien, hvor Sverige fungerede som det koordinerende center.
 
Inklusionskriterierne for udvælgelse af støtteberettigede skoler var baseret på følgende betingelser: (1) skoler var offentlige; (2) indeholdt mindst 40 studerende på 15 år; (3) havde mere end to lærere for elever på 15 år; og (4) havde ikke mere end 60 % af elever af samme køn. Støtteberettigede skoler blev kategoriseret efter størrelse: (i) små (≤medianen af ​​elever på alle skoler på studiestedet); og (ii) stort (≥medianen af ​​elever på alle skoler på studiestedet) [46]. Ved hjælp af en tilfældig talgenerator blev skolerne randomiseret i henhold til SEYLE-interventioner og skolestørrelse med hensyn til sociokulturelle faktorer, skolemiljø og skolesystemstruktur på hvert studiested.
 
Data blev indsamlet gennem strukturerede spørgeskemaer, der blev administreret til unge i skolemiljøet.
Prøvens repræsentativitet, samtykke, deltagelse og svarprocenter rapporteres i en metodologisk analyse [47].
Nærværende undersøgelse blev udført i overensstemmelse med Helsinki-erklæringen, og protokollen blev godkendt af den lokale etiske komité i hvert deltagende land (Projekt nr. HEALTH-F2-2009-223091). Forud for deltagelse i undersøgelsen gav både unge og forældre deres informerede samtykke til deltagelse.

2.2. Målinger

PIU blev vurderet ved hjælp af Young's Diagnostic Questionnaire (YDQ) [18]. YDQ er et spørgeskema med 8 punkter, der vurderer mønstre for internetbrug, der resulterer i psykologisk eller social svækkelse i løbet af de seks måneder, der går forud for dataindsamling [48]. De otte elementer i YDQ svarer til de seks elementer i Griffiths' komponentmodel og ni elementer i diagnostiske kriterier for IGD i DSM-5 [49,50]. Baseret på YDQ-score, der spænder fra 0-8, blev internetbrugere kategoriseret i tre grupper: adaptive internetbrugere (AIU) (score 0-2); maladaptive internetbrugere (MIU) (score 3-4); og patologiske internetbrugere (PIU) (score ≥ 5) [51]. Desuden blev timer online pr. dag målt ved hjælp af et enkelt-emne spørgsmål i det strukturerede spørgeskema.
Data om risikoadfærd blev indhentet ved at bruge spørgsmål fra Global School-Based Student Health Survey (GSHS) [52]. GSHS, der er udviklet af Verdenssundhedsorganisationen (WHO) og samarbejdspartnere, er en skolebaseret undersøgelse, der vurderer sundhedsrisiko-adfærd blandt unge i alderen 13-17 år. Dette selvrapporterende spørgeskema omfatter emner, der svarer til de 10 vigtigste årsager til sygelighed blandt unge og unge.

2.3. Individuel risiko-adfærd

Baseret på GSHS blev individuel risikoadfærd afgrænset i tre kategorier: (i) stofbrug; (ii) sensationssøgende; (iii) og livsstilsegenskaber. Den efterfølgende individuelle risikoadfærd blev kodet som dikotome variable.

2.3.1. Stofbrug

Stofbrug involverede alkoholbrug, ulovligt stofbrug og brug af tobak. Variablerne blev klassificeret i overensstemmelse hermed: (1) hyppighed af alkoholbrug: ≥2 gange/uge vs. ≤1 gange/uge; (2) antal drinks på en typisk drikkedag: ≥3 drinks vs. ≤2 drinks; (3) livstidsforekomst af drikkeri til drukkenskab (alkoholforgiftning): ≥3 gange vs. ≤2 gange; (4) livstidsforekomst af tømmermænd efter at have drukket: ≥3 gange vs. ≤2 gange; (5) nogensinde brugt stoffer: ja/nej; (6) nogensinde brugt hash eller marihuana: ja/nej; (7) nogensinde brugt tobak: ja/nej; og (8) i øjeblikket ryger cigaretter: ≥6/dag vs. ≤5/dag.

2.3.2. Sensationssøgende

Sensationssøgning omfattede fire punkter, der indikerer risikotagning i løbet af de sidste tolv måneder: (1) kørt i et køretøj af en ven, der havde drukket alkohol; (2) kørt på skateboard eller rulleskøjter i trafikken uden hjelm og/eller (3) trukket langs et køretøj i bevægelse; og (4) gået til farlige gader eller stræder om natten. Svaralternativer var ja/nej i alle fire punkter.

2.3.3. Livsstilsegenskaber

Livsstilskarakteristika omfattede variable relateret til søvn, ernæring, fysisk aktivitet og skolegang. Sovevaner refereret til de seneste seks måneder: (1) træthed om morgenen før skole: ≥3 dage/uge vs. ≤2 dage/uge; (2) lur efter skole: ≥3 dage/uge vs. ≤2 dage/uge; og (4) søvn: ≤6 timer/nat vs. ≥7 timer/nat. Ernæring henvist til de seneste seks måneder: (4) indtagelse af frugt/grøntsager: ≤1 gang/uge vs. ≥2 gange/uge; og (5) indtagelse af morgenmad før skole: ≤2 dage/uge vs. ≥3 dage/uge. Fysisk aktivitet refereret til de seneste seks måneder: (6) fysisk aktivitet i mindst 60 minutter i løbet af de sidste to uger: ≤3 dage vs. ≥4 dage; og (7) dyrke sport på regelmæssig basis: ja/nej. Skoledeltagelse omfattede ét punkt om forekomsten af ​​uforskyldt fravær fra skolen i løbet af de seneste to uger: ≥3 dage vs. ≤2 dage.

2.4. Flere risiko-adfærd

Det samlede antal risikoadfærd blev beregnet til en enkelt variabel og kodet som et ordinalmål. Split-half pålidelighed (rsb = 0.742) og intern konsistens (α = 0.714) værdier indikerede et acceptabelt niveau af homogenitet mellem elementer i multiple risikoadfærdsmålingen

3. Statistiske analyser

Forekomsten af ​​individuel risikoadfærd blandt internetbrugergrupper blev beregnet for mænd og kvinder. For at fastslå statistisk signifikante forskelle mellem gruppeproportioner blev der udført flere parvise sammenligninger ved hjælp af den tosidede z-test med Bonferroni justerede p-værdier. Udvidede analyser blev udført for at teste effekten af ​​individuelle risikoadfærd på MIU og PIU ved hjælp af generaliserede lineære blandede modeller (GLMM) med en multinomial logit-link og fuld maksimal sandsynlighedsestimation. I GLMM-analysen blev MIU og PIU indtastet som resultatmål med AIU som referencekategori, individuelle risikoadfærd blev indtastet som niveau 1 faste effekter, skole som niveau 2 tilfældig opsnapning og land som niveau 3 tilfældig opskæring. Varianskomponenter blev brugt som kovariansstrukturen for de tilfældige effekter. For at studere den modererende effekt af køn blev interaktionsbegreber (køn *risikoadfærd) indpasset i regressionsmodellen. Justeringer for alder og køn blev anvendt på relevante GLMM-modeller. Oddsforhold (OR) med 95 % konfidensintervaller (CI) er rapporteret for de respektive modeller.
I analysen af ​​multiple risikoadfærd blev middelværdien (M) og standardfejlen for middelværdien (SEM) beregnet for de forskellige internetbrugergrupper og stratificeret efter køn. Box- og whiskerplot blev brugt til at illustrere disse forhold. Statistisk signifikans mellem flere risikoadfærd og køn blev vurderet ved hjælp af uafhængige stikprøver t-test. En-vejs variansanalyse (ANOVA) med post hoc parvise sammenligninger blev anvendt til at vurdere den statistiske signifikans mellem flere risikoadfærd og internetbrugergrupper.
Et regressionsvariabelt plot blev udført for at belyse den lineære sammenhæng mellem antallet af timer online pr. dag og antallet af risikoadfærd blandt internetbrugergrupper. Alle statistiske test blev udført ved hjælp af IBM SPSS Statistics 23.0. En kritisk værdi på p < 0.05 blev anset for at være statistisk signifikant.

4. Resultater

4.1. Karakteristika for undersøgelsesprøven

Blandt den indledende SEYLE-prøve på 12,395 teenagere var der 464 (3.7%) forsøgspersoner ekskluderet på grund af manglende data om relevante variabler. Dette gav en stikprøvestørrelse på 11,931 skolebaserede unge til denne undersøgelse. Prøven omfattede 43.4 % mandlige og 56.6 % kvindelige unge (M/K: 5179/6752) med en gennemsnitsalder på 14.89 ± 0.87 år. Prævalensen af ​​MIU var signifikant højere blandt kvinder (14.3 %) sammenlignet med mænd (12.4 %), hvorimod PIU var signifikant højere blandt mænd (5.2 %) end kvinder (3.9 %) (χ² (2, 11928) = 19.92, p < 0.001).

4.2. Forekomst af risiko-adfærd

Tabel 1 beskriver udbredelsen af ​​risikoadfærd stratificeret efter internetbrugergruppe. Den gennemsnitlige prævalensrater blandt internetbrugergrupper (AIU, MIU og PIU) var 16.4 %, 24.3 % og 26.5 % for stofbrug (alkoholbrug, ulovlig stofbrug og tobaksbrug); 19.0 %, 27.8 % og 33.8 % for sensationssøgende adfærd (handlinger, der tager risiko); og 23.8 %, 30.8 % og 35.2 % for henholdsvis livsstilskarakteristika (dårlige sovevaner, dårlig ernæring, fysisk inaktivitet og pjæk). Prævalensen inden for MIU- og PIU-grupper var signifikant højere sammenlignet med AIU-gruppen i alle risikokategorier (stofbrug, sensationssøgning og livsstilskarakteristika). Med undtagelse af fem underkategorier viste parvise sammenligninger, at prævalensraterne ikke var signifikant forskellige mellem MIU- og PIU-grupper.

Bordlampe
Tabel 1. Forekomst af risikoadfærd blandt unge stratificeret efter køn og internetbrugergruppe 1,2a-c.

4.3. Flere risiko-adfærd

Resultaterne viste, at 89.9% af teenagere i PIU-gruppen rapporterede flere risikoadfærd. Envejs ANOVA-testen afslørede, at gennemsnitsraten for multiple risikoadfærd steg signifikant fra adaptiv brug (M = 4.89, SEM = 0.02) til maladaptiv brug (M = 6.38, SEM = 0.07) til patologisk brug (M = 7.09, SEM = 0.12) (F (2, 11928) = 310.35, p < 0.001). Denne tendens var stort set ækvivalent for mænd og kvinder (Figur 1).

Ijerph 13 00294 g001 1024
Figur 1. Boks og whisker plot af flere risikoadfærd blandt adaptive internetbrugere (AIU), maladaptive internetbrugere (MIU) og patologiske internetbrugere (PIU) stratificeret efter køn *.
Desuden blev der ikke observeret nogen statistisk forskel mellem kønnene i grupperne MIU (t (1608) = 0.529, p = 0.597) og PIU (t (526) = 1.92, p = 0.054) (Tabel 2). Det skal dog bemærkes, at p-værdien for PIU-gruppen var relativt tæt på at nå statistisk signifikans (p = 0.054). 

Bordlampe
Tabel 2. Uafhængige stikprøver t-test af flere risikoadfærd og køn efter internetbrugergruppe 1-3.
Det regressionsvariable plot udviste en klar lineær sammenhæng mellem antallet af timer online pr. dag og antallet af risikoadfærd hos unge. Denne tendens var forholdsvis identisk mellem internetbrugergrupper (Figur 2). 

Ijerph 13 00294 g002 1024
Figur 2. Lineær sammenhæng mellem antallet af timer online pr. dag og antallet af risikoadfærd blandt AIU-, MIU- og PIU-grupper *.

4.4. GLMM-analyse af sammenhængen mellem risiko-adfærd, MIU og PIU

Risikoadfærd, der var signifikant forbundet med MIU, var også signifikant forbundet med PIU, med undtagelse af tre underkategorier, der er noteret inden for risikohandlinger og pjækkeri (Tabel 3). GLMM-analysen viste, at alle underkategorier af dårlige sovevaner signifikant øgede de relative odds for PIU med effektstørrelser fra OR = 1.45 til OR = 2.17. Signifikante sammenhænge blev observeret mellem risikovillige handlinger og PIU med effektstørrelser fra OR = 1.55 til OR = 1.73. Desuden var oddsratio for enkelte underkategorier inden for tobaksbrug (OR = 1.41), dårlig ernæring (OR = 1.41) og fysisk inaktivitet (OR = 1.39) statistisk signifikante.

Bordlampe
Tabel 3. Generaliseret lineær blandet model (GLMM) af sammenhængen mellem individuel risikoadfærd, utilpasset brug og patologisk brug med en udvidet analyse af kønsinteraktioner 1-4.

4.5. Kønsinteraktioner

Analysen af ​​kønsinteraktioner viste, at sammenhængen mellem risikovillige handlinger, dårlige sovevaner og PIU var signifikant højere hos kvinder, hvorimod sammenhængen mellem pjækker, dårlig ernæring og PIU var signifikant højere hos mænd (Tabel 3).

5. Diskussion

5.1. Forekomst af risiko-adfærd

Denne undersøgelse søgte at undersøge sammenhængen mellem PIU og risikoadfærd. Resultaterne viste, at forekomsten af ​​risikoadfærd var signifikant højere blandt patologiske brugere sammenlignet med adaptive brugere med nogle variationer mellem køn. Den højeste forekomst observeret blandt utilpassede og patologiske brugere var dårlige sovevaner efterfulgt af tobaksbrug. Disse skøn er betydeligt højere sammenlignet med prævalensrater rapporteret i undersøgelser udført uden for EU, nemlig i Asien og Stillehavsregionerne [53,54]. En plausibel forklaring kunne relateres til variationerne observeret på det økologiske niveau (f.eks. penetrationsrater) mellem disse respektive regioner. Statistikker viser, at den europæiske region har den højeste internetpenetrationsrate (78%) på verdensplan. De europæiske rater er mere end det dobbelte sammenlignet med dem, der er afbildet i Asien- og Stillehavsregionerne (36 %) [55]. Den faktiske rolle, penetrationsrater har med hensyn til at påvirke forekomsten af ​​PIU, er fortsat tvetydig; derfor ville fremtidige bestræbelser på at undersøge dette forhold være af stor værdi for at forklare denne sammenhæng.

5.2. Stofbrug

Karakteristikaene mellem risikoadfærd og vanedannende adfærd er stærkt overlappende. Dette er måske mest tydeligt med stofbrug. Stofbrug klassificeres ofte som en risikoadfærd; det er dog også en forløber for stofmisbrug. Hvis højrisikoadfærd deler lignende underliggende mekanismer, kan det at have én problemadfærd sænke tærsklen til at udvikle anden problemadfærd. Denne påstand bekræftes af evidensbaseret forskning, der viser et højt niveau af indbyrdes sammenhæng mellem forskellige risikoadfærd [56]. Baseret på dette koncept er det plausibelt at antage, at unge med allerede eksisterende risikoadfærd sandsynligvis har en højere risiko for PIU sammenlignet med unge uden risikoadfærd.

5.3. Sensationssøgende

I overensstemmelse med den foregående forskning [57], viste resultaterne, at størstedelen af ​​de risikovillige handlinger inden for kategorien sensationssøgende var signifikant forbundet med PIU. Sensationssøgning er et personlighedstræk forbundet med mangler i selvregulering og udskudt tilfredsstillelse [58]. Disse egenskaber blandt unge er ofte relateret til en perceptuel disposition for en 'optimistisk bias-effekt', hvor unge er mere tilbøjelige til at diskontere risici for sig selv, mens de overvurderer risici for andre [59]. Unge, der udviser disse afbøjelige træk, har sandsynligvis en højere tilbøjelighed til adfærdsproblemer.

5.4. Livsstilsegenskaber

Dårlige sovevaner viste sig at være de stærkeste faktorer relateret til PIU. Dette skyldes sandsynligvis en forskydningseffekt af søvn til onlineaktiviteter. Der er visse onlineaktiviteter, der eksplicit får brugerne til at blive online længere end forventet. En undersøgelse af massivt multiplayer online rollespil (MMORPG) viste, at brugere lokkes til at blive online længere for at følge den progressive historie af deres online karakter [60]. Overdreven brug af sociale netværkssider er også dukket op i de seneste år, hvilket både angiver en stigning i tid brugt online og negative sammenhænge med virkelige sociale interaktioner [61,62]. Undersøgelser viser, at unge, der overdrevent bruger internettet, har tilbøjelighed til at udvikle søvnforstyrrelser som følge af deres lange tid online [63,64]. Den kroniske forskydning af søvn til onlineaktiviteter kan føre til søvnmangel, som er kendt for at forårsage alvorlige negative virkninger på social, psykologisk og somatisk funktion.
Forstyrrelser i regulerede søvnmønstre kan også være en medierende faktor i forholdet mellem pjækkeri og utilpasset brug af internettet. Unge, der i alt for høj grad engagerer sig i onlineaktiviteter, kan risikere at forstyrre deres naturlige søvnorden. Beviser viser, at øget søvnforsinkelse og nedsat søvn med hurtige øjenbevægelser (REM-søvn) er signifikant forbundet med overdreven internetbrug [65], mens subjektive søvnløshed og parasomni er forbundet med pjækkeri [66]. Søvnforstyrrelser har en udtalt effekt på funktion i dagtimerne og akademiske præstationer. Dette kan få unge til at blive uinteresserede i skolen, og derved øge risikoen for skolevægring og kronisk fravær [66].
Dårlig ernæring og fysisk inaktivitet viste sig at være signifikant forbundet med PIU. Unge, der bruger længere timer online, navigerer potentielt mod usunde fødevarer. Det postuleres, at onlinespillere drikker energidrikke med højt koffeinindhold og spiser snacks med højt sukkerindhold for at øge opmærksomheden på onlinespil [67]. Efterfølgende kan disse faktorer gøre onlinespillere mere tilbøjelige til stillesiddende adfærd sammenlignet med ikke-spillere. Desuden er der en omfattende loyalitet blandt spillere, især dem, der fortrænger mad, personlig hygiejne og fysisk aktivitet, for at fortsætte med onlinespil [68]. Dette kan udgøre alvorlige helbredsrisici og kan føre til alvorlige psykosomatiske symptomer.

5.5. Flere risiko-adfærd

Risikoadfærd blev konstateret at være samtidig af natur, hvor 89.9% af teenagere i PIU-gruppen rapporterede flere risikoadfærd. Disse resultater er i overensstemmelse med Jessors teori om problemadfærd [69,70]. Problemadfærdsteorien er en psykosocial model, der forsøger at forklare adfærdsmæssige udfald hos unge. Det består af tre konceptuelle systemer baseret på psykosociale komponenter: personlighedssystem, opfattet miljøsystem og adfærdssystem. I sidstnævnte system har risikoadfærdsstrukturer (f.eks. alkoholbrug, tobaksbrug, kriminalitet og afvigelse) en tendens til at opstå sammen og samle sig i et generelt 'risikoadfærdssyndrom' [71]. Ifølge Jessor stammer denne problemadfærd ofte fra unges påstand om uafhængighed af forældre og samfundsmæssige påvirkninger.
Unge, der kæmper for autonomi, kan til dels forklare den markante lineære tendens, der er noteret mellem timer online om dagen og flere risikoadfærd. Denne tendens var forholdsvis identisk på tværs af alle internetbrugergrupper. Disse resultater er yderst relevante, da de tyder på, at for mange timer online i sig selv kan øge antallet af risikoadfærd for alle unge og ikke kun dem, der er diagnosticeret med PIU. For mange timer online kan også være en modererende faktor i forholdet mellem PIU og risikoadfærd; yderligere forskning, der udforsker dette forhold, er imidlertid nødvendig.

5.6. Kønsinteraktioner

Analysen af ​​kønsinteraktioner viste, at signifikante sammenhænge observeret mellem risikoadfærd og PIU var jævnt fordelt mellem mænd og kvinder. Dette er lidt i modstrid med tidligere forskning, som typisk viser, at PIU og risikoadfærd er specifikke for det mandlige køn. Dette kønsskifte kan være en indikation af, at kønsforskellen for risikoadfærd kan være ved at blive mindre blandt europæiske unge.
Fra et andet perspektiv kunne forholdet mellem køn og risikoadfærd medieres af en tredje faktor, såsom psykopatologi. I en stor, kønsbaseret undersøgelse af unge (n = 56,086) i alderen 12-18 år blev prævalensraterne for PIU estimeret til at være 2.8 % blandt den samlede prøve med signifikant højere rater observeret hos mænd (3.6 %) sammenlignet med kvinder ( 1.9 %) [72]. Den respektive undersøgelse bemærkede, at kvinder med følelsesmæssige problemer, såsom subjektiv mistrivsel eller depressive symptomer, har en signifikant højere PIU-prævalens end mænd med lignende følelsesmæssige symptomer. Kønsbaserede undersøgelser, der undersøger effekten af ​​kønsinteraktioner på PIU er en væsentlig forudsætning for den fremtidige retning for PIU-forskning.

5.7. Griffiths' Components Model

Griffiths' komponenter model af afhængighed [30] hypoteser om, at adfærdsafhængighed (f.eks. PIU) og stofrelaterede afhængighed udvikler sig via lignende biopsykosociale processer og deler adskillige fysiognomier. Afhængighedskriterierne for de respektive seks kernekomponenter i denne model er (1) fremtræden, (2) humørmodifikation, (3) tolerance, (4) abstinens, (5) konflikt og (6) tilbagefald. Kuss et al. [73] vurderede komponentmodellen for afhængighed i to uafhængige prøver (n = 3105 og n = 2257). Resultaterne viste, at komponentmodellen af ​​PIU passede meget godt til dataene i begge prøver.
I denne undersøgelse blev YDQ-målet brugt til at vurdere og opdage unge med maladaptive og patologiske risici relateret til deres internetbrug og onlineadfærd. Da YDQ-målet omfatter alle seks afhængighedskriterier, der er fastsat i Griffiths' komponentmodel, understøttes validiteten af ​​resultaterne rapporteret i denne undersøgelse af denne teoretiske ramme.

5.8. Styrker og begrænsninger

Den store, repræsentative, tværnationale stikprøve er en væsentlig styrke ved denne undersøgelse. Den homogene metode og standardiserede procedurer, der anvendes i alle lande, øger validiteten, pålideligheden og sammenligneligheden af ​​dataene. Så vidt vi ved, var det geografiske område i Europa det største, der nogensinde er blevet brugt til at gennemføre en undersøgelse af PIU og risikoadfærd.
Der er også nogle begrænsninger ved undersøgelsen. Selvrapporterede data er tilbøjelige til tilbagekaldelse og sociale ønskværdighedsforstyrrelser, som sandsynligvis vil variere mellem lande og kulturer. Tværsnitsdesignet er ikke i stand til at redegøre for tidsmæssige sammenhænge, ​​hvorfor kausalitet ikke kunne bestemmes. I GSHS-målet repræsenterer underkategorierne af risikohandlinger kun en del af sensationssøgende adfærd; derfor bør der udvises forsigtighed ved fortolkning af resultaterne.

6. konklusioner

En signifikant stigende prævalensrate på tværs af AIU-, MIU- og PIU-grupper blev observeret i alle risikokategorier (stofbrug, sensationssøgning og livsstilskarakteristika). Unge, der rapporterede dårlige sovevaner og risikovillige handlinger, viste de stærkeste associationer til PIU, efterfulgt af tobaksbrug, dårlig ernæring og fysisk inaktivitet. Den signifikante sammenhæng, der er observeret mellem PIU og risikoadfærd, kombineret med en høj frekvens af samtidig forekomst, understreger vigtigheden af ​​at overveje PIU ved screening, behandling eller forebyggelse af højrisikoadfærd hos unge.
Blandt unge i PIU-gruppen blev 89.9% karakteriseret som havende flere risikoadfærd. Indsatsen bør således målrettes mod unge, der overdrevent bruger internettet, da der blev observeret en signifikant lineær tendens mellem timer online om dagen og flere risikoadfærd. Denne tendens var ens på tværs af alle internetbrugergrupper, hvilket indikerer, at for mange timer online i sig selv er en vigtig faktor for risikoadfærd. Disse resultater skal replikeres og udforskes yderligere, før man fastslår deres teoretiske implikationer.

Tak

SEYLE-projektet blev støttet gennem koordineringstema 1 (Sundhed) i Den Europæiske Unions syvende rammeprogram (FP7), tilskudsaftale nr. HEALTH-F2-2009-223091. Forfatterne var uafhængige af finansierne i alle aspekter af undersøgelsens design, dataanalyse og skrivning af dette manuskript. Projektleder og koordinator for SEYLE-projektet er professor i psykiatri og suicidologi Danuta Wasserman, Karolinska Institutet (KI), leder af Nationalt Center for Suicidforskning og Forebyggelse af Mental Ill-Health and Suicide (NASP), ved KI, Stockholm, Sverige. Andre medlemmer af forretningsudvalget er lektor Vladimir Carli, Nationalt Center for Selvmordsforskning og Forebyggelse af Mental Ill-Health (NASP), Karolinska Institutet, Stockholm, Sverige; Christina WH Hoven og antropolog Camilla Wasserman, afdeling for børne- og ungdomspsykiatri, New York State Psychiatric Institute, Columbia University, New York, USA; og Marco Sarchiapone, Institut for Sundhedsvidenskab, Molise Universitet, Campobasso, Italien. SEYLE-konsortiet omfatter centre i 12 europæiske lande. Stedets ledere for hvert respektive center og land er: Danuta Wasserman (NASP, Karolinska Institutet, Sverige, Koordineringscenter), Christian Haring (Universitetet for Medicinsk Informationsteknologi, Østrig), Airi Varnik (Estlands svenske Institut for Mental Health & Suicidology, Estland), Jean-Pierre Kahn (University of Lorraine, Nancy, Frankrig), Romuald Brunner (University of Heidelberg, Tyskland), Judit Balazs (Vadaskert Child and Adolescent Psychiatric Hospital, Ungarn), Paul Corcoran (National Suicide Research Foundation, Irland), Alan Apter (Schneider Children's Medical Center of Israel, Tel Aviv University, Tel Aviv, Israel), Marco Sarchiapone (University of Molise, Italien), Doina Cosman (Iuliu Hatieganu University of Medicine and Pharmacy, Rumænien), Vita Postuvan (University of Primorska, Slovenien) ) og Julio Bobes (Universitetet i Oviedo, Spanien). Støtte til "Etiske spørgsmål i forskning med mindreårige og andre sårbare grupper" blev opnået ved en bevilling fra Botnar Foundation, Basel, til professor i etik, Stella Reiter-Theil, psykiatrisk klinik ved Basel Universitet, som fungerede som den uafhængige etiske konsulent til SEYLE-projektet.

Forfatterbidrag

Tony Durkee er den første og tilsvarende forfatter, der udviklede undersøgelsesdesignet, udførte de statistiske analyser og kritisk reviderede alle faser af manuskriptet. Vladimir Carli, Birgitta Floderus og Danuta Wasserman deltog i undersøgelsens design og foretog kritiske revisioner af manuskriptet. Camilla Wasserman, Christina W. Hoven, Michael Kaess og Peeter Värnik sørgede for konsultationer og foretog kritiske revisioner af manuskriptet. Marco Sarchiapone, Alan Apter, Judit A. Balazs, Julio Bobes, Romuald Brunner, Paul Corcoran, Doina Cosman, Christian Haring, Jean-Pierre Kahn og Vita Postuvan er hovedefterforskere for SEYLE-projektet i deres respektive lande og har bidraget til kritiske revisioner af manuskriptet. Bogdan Nemes og Pilar A. Saiz er projektledere for SEYLE-projektet i deres respektive lande og deltog i vigtige revisioner af manuskriptet.

Interessekonflikt

Forfatterne erklærer ingen interessekonflikt.

Forkortelser

Følgende forkortelser anvendes i dette manuskript: 

SEYLE
Lagring og styrkelse af unge liv i Europa
YRBSS
Ungdomsrisikoprocesovervågningssystem
GSHS
Global skolebaseret elevsundhedsundersøgelse
YDQ
Youngs Diagnostic Questionnaire
GLMM
Generaliserede lineære blandede modeller
ANOVA
Envejsanalyse af varians
PIU
Patologisk internetbrug
MIU
Utilpasset internetbrug
AIU
Adaptiv internetbrug
CI
Tillidsintervaller
SEM
Standard fejl af middelværdien
M
Mean

Referencer

  1. Moshman, D. Kognitiv udvikling ud over barndommen. I Handbook of Child Psychology, 5. udg.; Kuhn, D., Damon, W., Siegler, RS, red.; Wiley: New York, NY, USA, 1998; Bind 2, s. 947–978. [Google Scholar]
  2. Choudhury, S.; Blakemore, SJ; Charman, T. Social kognitiv udvikling i ungdomsårene. Soc. Cogn. Påvirke. Neurosci. 2006, 1, 165-174. [Google Scholar] [CrossRef] [PubMed]
  3. Eccles, JS; Wigfield, A.; Byrnes, J. Kognitiv udvikling i ungdomsårene. I Håndbog i psykologi: Udviklingspsykologi; Lerner, RM, Easterbrooks, MA, Mistry, J., Eds.; Wiley: Hoboken, NJ, USA, 2003; Bind 6, s. 325–350. [Google Scholar]
  4. Subrahmanyam, K.; Greenfield, P.; Kraut, R.; Gross, E. Indvirkningen af ​​computerbrug på børns og unges udvikling. J. Appl. Dev. Psychol. 2001, 22, 7-30. [Google Scholar] [CrossRef]
  5. Ellison, NB; Steinfield, C.; Lampe, C. Fordelene ved Facebook "venner": Social kapital og universitetsstuderendes brug af online sociale netværkssider. J. Comput. Med. Commun. 2007, 12, 1143-1168. [Google Scholar] [CrossRef]
  6. Steinfield, C.; Ellison, NB; Lampe, C. Social kapital, selvværd og brug af online sociale netværkssider: En longitudinel analyse. J. Appl. Dev. Psychol. 2008, 29, 434-445. [Google Scholar] [CrossRef]
  7. Tapscott, D. Opvækst Digital: The Rise of the Net Generation; McGraw-Hill Uddannelse: New York, NY, USA, 2008; s. 384. [Google Scholar]
  8. Kraut, R.; Patterson, M.; Lundmark, V.; Kiesler, S.; Mukopadhyay, T.; Scherlis, W. Internet paradoks. En social teknologi, der reducerer socialt engagement og psykisk velvære? Er. Psychol. 1998, 53, 1017-1031. [Google Scholar] [CrossRef] [PubMed]
  9. Kraut, R.; Kiesler, S.; Boneva, B.; Cummings, J.; Helgeson, V.; Crawford, A. Internet paradoks gensyn. J. Soc. Problemer 2002, 58, 49-74. [Google Scholar] [CrossRef]
  10. Nie, NH; Hillygus, DS; Erbring, L. Internetbrug, interpersonelle relationer og omgængelighed: En tidsdagbogsundersøgelse. I Internettet i hverdagen; Wellman, B., Haythornthwaite, C., red.; Blackwell Publishers Ltd.: Oxford, Storbritannien, 2002; s. 213–243. [Google Scholar]
  11. Nalwa, K.; Anand, AP Internetafhængighed hos studerende: En årsag til bekymring. Cyberpsychol. Opfør dig. 2003, 6, 653-656. [Google Scholar] [CrossRef] [PubMed]
  12. Akhter, N. Forholdet mellem internetafhængighed og akademiske præstationer blandt universitetsstuderende. Edu. Res. Rev. 2013, 8, 1793. [Google Scholar]
  13. Gür, K.; Yurt, S.; Bulduk, S.; Atagöz, S. Internetafhængighed og fysiske og psykosociale adfærdsproblemer blandt gymnasieelever på landet. Sygeplejersker. Health Sci. 2015, 17, 331-338. [Google Scholar] [CrossRef] [PubMed]
  14. Peltzer, K.; Pengpid, S.; Apidechkul, T. Tung internetbrug og dets sammenhænge med sundhedsrisiko og sundhedsfremmende adfærd blandt thailandske universitetsstuderende. Int. J. Adolesc. Med. Sundhed 2014, 26, 187-194. [Google Scholar] [CrossRef] [PubMed]
  15. Punamaki, RL; Wallenius, M.; Nygard, CH; Saarni, L.; Rimpela, A. Brug af informations- og kommunikationsteknologi (IKT) og opfattet sundhed i teenageårene: Rollen af ​​søvnvaner og vågentidstræthed. J. Adolesc. 2007, 30, 569-585. [Google Scholar] [CrossRef] [PubMed]
  16. Straker, L.; Pollock, C.; Maslen, B. Principper for klog brug af computere af børn. Ergonomi 2009, 52, 1386-1401. [Google Scholar] [CrossRef] [PubMed]
  17. Shaw, M .; Black, DW Internet Addiction: Definition, vurdering, epidemiologi og klinisk ledelse. CNS-lægemidler 2008, 22, 353-365. [Google Scholar] [CrossRef] [PubMed]
  18. Young, K. Internetafhængighed: Fremkomsten af ​​en ny klinisk lidelse. CyberPsychol. Opfør dig. 1998, 1, 237-244. [Google Scholar] [CrossRef]
  19. American Psychiatric Association (APA). Diagnostisk og statistisk manual for psykiske lidelser. Tilgængelig online: http://www.dsm5.org (fås på 2 februar 2016).
  20. Petry, NM; O'Brien, CP Internet gaming disorder og DSM-5. Afhængighed 2013, 108, 1186-1187. [Google Scholar] [CrossRef] [PubMed]
  21. Sussman, S.; Lisha, N.; Griffiths, M. Udbredelse af afhængighed: Et problem for flertallet eller mindretallet? Eval. Sundhed Prof. 2011, 34, 3-56. [Google Scholar] [CrossRef] [PubMed]
  22. Lee, HW; Choi, JS; Shin, YC; Lee, JY; Jung, HY; Kwon, JS Impulsivitet i internetafhængighed: En sammenligning med patologisk gambling. Cyberpsychol. Opfør dig. Soc. Netw. 2012, 15, 373-377. [Google Scholar] [CrossRef] [PubMed]
  23. Tonioni, F.; Mazza, M.; Autullo, G.; Cappelluti, R.; Catalano, V.; Marano, G.; Fiumana, V.; Moschetti, C.; Alimonti, F.; Luciani, M. Er internetafhængighed en psykopatologisk tilstand, der adskiller sig fra patologisk gambling? Narkoman. Opfør dig. 2014, 39, 1052-1056. [Google Scholar] [CrossRef] [PubMed]
  24. Sajeev Kumar, P.; Prasad, N.; Raj, Z.; Abraham, A. Internetafhængighed og stofbrugsforstyrrelser hos unge studerende - en tværsnitsundersøgelse. J. Int. Med. Bule. 2015, 2, 172-179. [Google Scholar]
  25. Brezing, C.; Derevensky, JL; Potenza, MN Ikke-stofafhængig adfærd hos unge: Patologisk gambling og problematisk internetbrug. Børn Adoles. Psykiatri. Clin. N. Am. 2010, 19, 625-641. [Google Scholar] [CrossRef] [PubMed]
  26. Goldstein, RZ; Volkow, ND Dysfunktion af præfrontale cortex i afhængighed: Neuroimaging fonde og kliniske implikationer. Nat. Rev. Neurosci. 2011, 12, 652-669. [Google Scholar] [CrossRef] [PubMed]
  27. Montag, C.; Kirsch, P.; Sauer, C.; Markett, S.; Reuter, M. Chrna4-genets rolle i internetafhængighed: En case-kontrolundersøgelse. J. Addict. Med. 2012, 6, 191-195. [Google Scholar] [CrossRef] [PubMed]
  28. Kormas, G.; Critselis, E.; Janikian, M.; Kafetzis, D.; Tsitsika, A. Risikofaktorer og psykosociale karakteristika ved potentiel problematisk og problematisk internetbrug blandt unge: En tværsnitsundersøgelse. BMC Public Health 2011, 11, 595. [Google Scholar] [CrossRef] [PubMed]
  29. Zhou, Y.; Lin, F.-C.; Du, Y.-S.; Zhao, Z.-M.; Xu, J.-R.; Lei, H. Abnormaliteter i grå substans i internetafhængighed: En voxel-baseret morfometriundersøgelse. Eur. J. Radiol. 2011, 79, 92-95. [Google Scholar] [CrossRef] [PubMed]
  30. Griffiths, M. En "komponent"-model for afhængighed inden for en biopsykosocial ramme. J. Subst. Brug 2005, 10, 191-197. [Google Scholar] [CrossRef]
  31. Cheng, C.; Li, AY Udbredelse af internetafhængighed og (virkelig) livskvalitet: En metaanalyse af 31 nationer på tværs af syv verdensregioner. Cyberpsychol. Opfør dig. Soc. Netw. 2014, 17, 755-760. [Google Scholar] [CrossRef] [PubMed]
  32. Blinka, L.; Škařupová, K.; Ševčíková, A.; Wölfling, K.; Müller, KW; Dreier, M. Overdreven internetbrug hos europæiske unge: Hvad bestemmer forskelle i sværhedsgrad? Int. J. Folkesundhed 2015, 60, 249-256. [Google Scholar] [CrossRef] [PubMed]
  33. Tsitsika, A.; Janikian, M.; Schoenmakers, TM; Tzavela, EC; Ólafsson, K.; Wójcik, S.; Florian Macarie, G.; Tzavara, C.; Richardson, C. Internet vanedannende adfærd i ungdomsårene: En tværsnitsundersøgelse i syv europæiske lande. Cyberpsychol. Opfør dig. Soc. Netw. 2014, 17, 528-535. [Google Scholar] [CrossRef] [PubMed]
  34. Durkee, T .; Kaess, M .; Carli, V .; Parzer, P .; Wasserman, C .; Floderus, B .; Apter, A .; Balazs, J .; Barzilay, S .; Bobes, J .; et al. Udbredelse af patologisk internetbrug blandt unge i Europa: Demografiske og sociale faktorer. Addiction 2012, 107, 2210-2222. [Google Scholar] [CrossRef] [PubMed]
  35. Kuss, DJ; Griffiths, MD; Karila, L .; Billieux, J. Internetafhængighed: En systematisk gennemgang af epidemiologisk forskning i det sidste årti. Curr. Pharm. Des. 2014, 20, 4026-4052. [Google Scholar] [CrossRef] [PubMed]
  36. Carli, V.; Durkee, T.; Wasserman, D.; Hadlaczky, G.; Despalins, R.; Kramarz, E.; Wasserman, C.; Sarchiapone, M.; Hoven, CW; Brunner, R.; et al. Forbindelsen mellem patologisk internetbrug og komorbid psykopatologi: En systematisk gennemgang. Psykopatologi 2013, 46, 1-13. [Google Scholar] [CrossRef] [PubMed]
  37. Ho, RC; Zhang, MW; Tsang, TY; Toh, AH; Pan, F.; Lu, Y.; Cheng, C.; Jeps, PS; Lam, LT; Lai, C.-M.; et al. Forbindelsen mellem internetafhængighed og psykiatrisk co-morbiditet: En meta-analyse. BMC Psykiatri 2014, 14, 1-10. [Google Scholar] [CrossRef] [PubMed]
  38. Kaess, M.; Durkee, T.; Brunner, R.; Carli, V.; Parzer, P.; Wasserman, C.; Sarchiapone, M.; Hoven, C.; Apter, A.; Balazs, J.; et al. Patologisk internetbrug blandt europæiske unge: Psykopatologi og selvdestruktiv adfærd. Eur. Child Adolesc. Psykiatri 2014, 23, 1093-1102. [Google Scholar] [CrossRef] [PubMed]
  39. Pontes, HM; Kuss, DJ; Griffiths, MD Den kliniske psykologi af internetafhængighed: En gennemgang af dens konceptualisering, prævalens, neuronale processer og implikationer for behandling. Neurosci. Neuroøkonomi 2015, 4, 11-23. [Google Scholar]
  40. Kipping, RR; Campbell, RM; MacArthur, GJ; Gunnell, DJ; Hickman, M. Multipel risikoadfærd i ungdomsårene. J. Folkesundhed 2012, 34, i1-i2. [Google Scholar] [CrossRef] [PubMed]
  41. Dodd, LJ; Al-Nakeeb, Y.; Nevill, A.; Forshaw, MJ Livsstilsrisikofaktorer for studerende: En klyngeanalytisk tilgang. Forrige. Med. 2010, 51, 73-77. [Google Scholar] [CrossRef] [PubMed]
  42. Berk, M.; Sarris, J.; Coulson, C.; Jacka, F. Livsstilshåndtering af unipolar depression. Acta Psychiatr. Scand. 2013, 127, 38-54. [Google Scholar] [CrossRef] [PubMed]
  43. Prochaska, JJ; Spring, B.; Nigg, CR Forskning om flere sundhedsadfærdsændringer: En introduktion og oversigt. Forrige. Med. 2008, 46, 181-188. [Google Scholar] [CrossRef] [PubMed]
  44. Carli, V.; Hoven, CW; Wasserman, C.; Chiesa, F.; Guffanti, G.; Sarchiapone, M.; Apter, A.; Balazs, J.; Brunner, R.; Corcoran, P. En nyligt identificeret gruppe af unge med "usynlig" risiko for psykopatologi og selvmordsadfærd: Resultater fra SEYLE-undersøgelsen. Verdens Psykiatri 2014, 13, 78-86. [Google Scholar] [CrossRef] [PubMed]
  45. Kann, L.; Kinchen, S.; Shanklin, SL; Flint, KH; Kawkins, J.; Harris, WA; Lowry, R.; Olsen, E.; McManus, T.; Chyen, D. Overvågning af unges risikoadfærd—USA, 2013. MMWR Surveill. Summ. 2014, 63, 1-168. [Google Scholar]
  46. Wasserman, D.; Carli, V.; Wasserman, C.; Apter, A.; Balazs, J.; Bobes, J.; Bracale, R.; Brunner, R.; Bursztein-Lipsicas, C.; Corcoran, P.; et al. Redder og styrker unge liv i Europa (SEYLE): Et randomiseret kontrolleret forsøg. BMC Public Health 2010, 10, 192. [Google Scholar] [CrossRef] [PubMed]
  47. Carli, V.; Wasserman, C.; Wasserman, D.; Sarchiapone, M.; Apter, A.; Balazs, J.; Bobes, J.; Brunner, R.; Corcoran, P.; Cosman, D. The redding and empowering young lives in Europe (SEYLE) randomiseret kontrolleret forsøg (RCT): Metodiske spørgsmål og deltagerkarakteristika. BMC Public Health 2013, 13, 479. [Google Scholar] [CrossRef] [PubMed]
  48. Young, KS Fanget i nettet: Sådan genkender du tegnene på internetafhængighed – og en vindende strategi for bedring; J. Wiley: New York, NY, USA, 1998; s. 248. [Google Scholar]
  49. Dowling, NA; Quirk, KL Screening for internetafhængighed: Adskiller de foreslåede diagnostiske kriterier normal fra afhængig internetbrug? Cyberpsychol. Opfør dig. 2009, 12, 21-27. [Google Scholar] [CrossRef] [PubMed]
  50. Li, W.; O'Brien, JE; Snyder, SM; Howard, MO Diagnostiske kriterier for problematisk internetbrug blandt amerikanske universitetsstuderende: En blandet metodeevaluering. PLoS ONE 2016, 11, e0145981. [Google Scholar] [CrossRef] [PubMed]
  51. Pontes, HM; Király, O.; Demetrovics, Z.; Griffiths, MD Konceptualisering og måling af dsm-5 internet gaming lidelse: Udviklingen af ​​IGD-20 testen. PLoS ONE 2014, 9, e110137. [Google Scholar] [CrossRef] [PubMed]
  52. Verdenssundhedsorganisationen (WHO). Global School-Based Student Health Survey (GSHS). Tilgængelig online: http://www.who.int/chp/gshs/en/ (fås på 12 December 2015).
  53. Choi, K.; Søn, H.; Park, M.; Han, J.; Kim, K.; Lee, B.; Gwak, H. Internet overforbrug og overdreven søvnighed i dagtimerne hos unge. Psykiatriklinik. Neurosci. 2009, 63, 455-462. [Google Scholar] [CrossRef] [PubMed]
  54. Evren, C.; Dalbudak, E.; Evren, B.; Demirci, AC Høj risiko for internetafhængighed og dets forhold til livslang stofbrug, psykologiske og adfærdsmæssige problemer blandt unge i 10. klasse. Psykiatrien Danub. 2014, 26, 330-339. [Google Scholar]
  55. International telekommunikationsunion (ITU). IKT fakta og tal. Tilgængelig online: http://www.itu.int/en (fås på 8 August 2015).
  56. De La Haye, K.; D'Amico, EJ; Miles, JN; Ewing, B.; Tucker, JS Kovarians blandt flere sundhedsrisikoadfærd hos unge. PLoS ONE 2014, 9, e98141. [Google Scholar]
  57. Cao, F.; Su, L.; Liu, T.; Gao, X. Forholdet mellem impulsivitet og internetafhængighed i en prøve af kinesiske unge. Eur. Psykiatri: J. Assoc. Eur. Psykiatri. 2007, 22, 466-471. [Google Scholar] [CrossRef] [PubMed]
  58. Slater, MD Fremmedgørelse, aggression og sensationssøgning som forudsigere for unges brug af voldelig film, computer og webstedsindhold. J. Kommun. 2003, 53, 105-121. [Google Scholar] [CrossRef]
  59. Kim, HK; Davis, KE Mod en omfattende teori om problematisk internetbrug: Evaluering af rollen som selvværd, angst, flow og den selvvurderede betydning af internetaktiviteter. Comput. Hum. Opfør dig. 2009, 25, 490-500. [Google Scholar] [CrossRef]
  60. Charlton, JP; Danforth, ID Distinguishing afhængighed og højt engagement i forbindelse med online spil spil. Comput. Hum. Behav. 2007, 23, 1531-1548. [Google Scholar] [CrossRef]
  61. Kuss, DJ; Griffiths, MD Online sociale netværk og afhængighed - En gennemgang af den psykologiske litteratur. Int. J. Environ. Res. Folkesundhed 2011, 8, 3528-3552. [Google Scholar] [CrossRef] [PubMed]
  62. Meena, PS; Mittal, PK; Solanki, RK Problematisk brug af sociale netværkssider blandt byskolegående teenagere. Ind. Psykiatri J. 2012, 21, 94. [Google Scholar] [CrossRef] [PubMed]
  63. Li, W.; O'Brien, JE; Snyder, SM; Howard, MO Karakteristik af internetafhængighed/patologisk internetbrug hos amerikanske universitetsstuderende: En kvalitativ metodeundersøgelse. PLoS ONE 2015, 10, e0117372. [Google Scholar] [CrossRef] [PubMed]
  64. Lam, L. Internetspilafhængighed, problematisk brug af internettet og søvnproblemer: En systematisk gennemgang. Curr. Psykiatri Rep. 2014, 16, 1-9. [Google Scholar] [CrossRef] [PubMed]
  65. Cain, N.; Gradisar, M. Elektronisk mediebrug og søvn hos børn og unge i skolealderen: En gennemgang. Sleep Med. 2010, 11, 735-742. [Google Scholar] [CrossRef] [PubMed]
  66. Hochadel, J.; Frolich, J.; Wiater, A.; Lehmkuhl, G.; Fricke-Oerkermann, L. Forekomst af søvnproblemer og sammenhæng mellem søvnproblemer og skolevægringsadfærd hos børn i skolealderen i børns og forældres vurderinger. Psykopatologi 2014, 47, 119-126. [Google Scholar] [CrossRef] [PubMed]
  67. Lin, SSJ; Tsai, CC Sensationssøgning og internetafhængighed af taiwanske gymnasieunger. Comput. Hum. Opfør dig. 2002, 18, 411-426. [Google Scholar] [CrossRef]
  68. Hsi-Peng, L.; Shu-ming, W. Internetafhængighedens rolle i online spilloyalitet: En udforskende undersøgelse. Internet Res. 2008, 18, 499-519. [Google Scholar]
  69. Jessor, R.; Jessor, SL Problemadfærd og psykosocial udvikling: En longitudinel undersøgelse af ungdom; Academic Press: Cambridge, MA, USA, 1977; s. 281. [Google Scholar]
  70. Jessor, R. Problem-adfærdsteori, psykosocial udvikling og unges problemdrikning. Br. J. Addict. 1987, 82, 331-342. [Google Scholar] [CrossRef] [PubMed]
  71. Williams, JH; Ayers, CD; Abbott, RD; Hawkins, JD; Catalano, RF Strukturel ækvivalens af involvering i problemadfærd hos unge på tværs af racegrupper ved hjælp af multiple gruppe bekræftende faktoranalyse. Soc. Arbejds Res. 1996, 20, 168-177. [Google Scholar]
  72. Ha, Y.-M.; Hwang, WJ Kønsforskelle i internetafhængighed forbundet med psykologiske sundhedsindikatorer blandt unge ved hjælp af en national webbaseret undersøgelse. Int. J. Ment. Sundhedsafhængig. 2014, 12, 660-669. [Google Scholar] [CrossRef]
  73. Kuss, DJ; Kortere, GW; van Rooij, AJ; Griffiths, MD; Schoenmakers, TM Vurdering af internetafhængighed ved hjælp af den sparsommelige internetafhængighedskomponentmodel - En foreløbig undersøgelse. Int. J. Ment. Sundhedsafhængig. 2014, 12, 351-366. [Google Scholar] [CrossRef]