Auswirkungen von Internet- und Smartphone-Abhängigkeiten auf Depressionen und Ängste auf der Grundlage der Neigungsanalyse (2018)

Int J Environ Res Öffentliche Gesundheit. 2018 25, 15 (5). pii: E859. doi: 10.3390 / ijerph15050859.

Kim YJ1, Jang HM2, Lee Y3, Lee D4, Kim DJ5.

Abstrakt

Die Assoziationen von Internetsucht (IA) und Smartphone-Sucht (SA) mit psychischen Gesundheitsproblemen wurden umfassend untersucht. Wir untersuchten die Auswirkungen von IA und SA auf Depressionen und Ängste bei der Anpassung für soziodemographische Variablen. In dieser Studie führten 4854-Teilnehmer eine webbasierte Querschnittstudie durch, die soziodemografische Daten, die koreanische Skala für Internetabhängigkeit, die Smartphone-Suchtpräsenzenskala und die Subskalen der Symptom-Checkliste 90 Items-Revised beinhaltete. Die Teilnehmer wurden in IA-, SA- und Normal Use (NU) -Gruppen eingeteilt. Um die Stichprobenverzerrung zu reduzieren, haben wir die Propensity-Score-Matching-Methode basierend auf der genetischen Übereinstimmung angewendet. Die IA - Gruppe zeigte ein erhöhtes Depressionsrisiko (relatives Risiko 1.207; p <0.001) und Angst (relatives Risiko 1.264; p <0.001) im Vergleich zu NUs. Die SA-Gruppe zeigte auch ein erhöhtes Risiko für Depressionen (relatives Risiko 1.337; p <0.001) und Angst (relatives Risiko 1.402; p <0.001) im Vergleich zu NCs. Diese Ergebnisse zeigen, dass sowohl IA als auch SA signifikante Auswirkungen auf Depressionen und Angstzustände hatten. Darüber hinaus zeigten unsere Ergebnisse, dass SA eine stärkere Beziehung zu Depressionen und Angstzuständen aufweist als IA, und betonten die Notwendigkeit einer Präventions- und Managementpolitik für die übermäßige Nutzung von Smartphones.

KEYWORDS:  Internetsucht; Angst; Depression; Propensity-Score; Smartphone-Sucht

PMID: 29693641

DOI: 10.3390 / ijerph15050859

 

1. Einleitung

Mit der zunehmenden Nutzung und Bequemlichkeit des Internets und Smartphones im täglichen Leben hat die akkumulierte Forschung die negativen Auswirkungen der exzessiven Nutzung von Internet und Smartphone im Bereich der psychischen Gesundheit gezeigt.1].
Die Smartphone-Nutzerrate in der südkoreanischen Bevölkerung beträgt etwa 85%, die höchste weltweit [2]. Die exzessive Smartphone-Nutzung ist jedoch stark mit einer Reihe von psychischen Problemen verbunden, einschließlich Stress und einem erhöhten Risiko für anormale Angstzustände.3,4]. Smartphone-Sucht (SA) hat sich zusammen mit Internet-Abhängigkeiten (IA) zu einer neuen Form der Sucht entwickelt, und die klinischen Merkmale der SA haben in den letzten Jahren Aufmerksamkeit erregt [5]. Zum Beispiel gibt es einige Unterschiede in Bezug auf die Art der Geräte, wie die einfache Portabilität, Echtzeit-Internetzugang und direkte Kommunikationsfunktionen von Smartphones [6]. Ähnlichkeiten und Unterschiede zwischen IA und SA wurden in Bezug auf demografische Variablen und die motivationalen Aspekte der Mediennutzung berichtet [1,6].
Aus ökologischer Sicht ist ein Mangel an alternativen Aktivitäten mit IA verbunden [7]. Darüber hinaus wurde berichtet, dass das Single-Sein stark sowohl mit einem sozialen Netzwerk als auch mit Online-Spielen verbunden ist [8]. Was das Bildungsniveau und die monatlichen Einkommensdimensionen anbelangt, so fand eine kürzlich durchgeführte Studie bei Personen mit SA signifikante Unterschiede in der gesundheitsbezogenen Dimension zugunsten derjenigen, die ein niedrigeres Einkommen und einen niedrigeren Bildungsgrad hatten [9]. In Übereinstimmung mit dieser Feststellung wurde in einer systematischen Übersichtsarbeit eine signifikante Korrelation zwischen der schulischen Leistung und dem Schweregrad der IA festgestellt.10]. In Bezug auf das Alter hat eine kürzlich durchgeführte Überprüfung ergeben, dass die problematische Internetnutzung sowohl für jugendliche als auch für aufstrebende Erwachsene am relevantesten ist (19-Jahre und älter) [10], während die Smartphone-Sucht bei jüngeren Jugendlichen häufiger auftritt als bei aufkommenden Erwachsenen (19-Jahre und älter) [11]. Eine aktuelle Studie zeigte, dass Frauen im Vergleich zu Männern tendenziell höhere durchschnittliche tägliche Nutzungszeiten und Abhängigkeitswerte für Smartphones haben [4]. Choi et al. (2015) berichtet, dass das männliche Geschlecht einen relevanten Risikofaktor für IA und das weibliche Geschlecht für SA hat [1]. Hinsichtlich des Verwendungszwecks zeigte sich, dass soziale Netzwerke im Vergleich zu anderen Funktionen im Zusammenhang mit Mobiltelefonen stärker mit einer hohen Smartphone-Abhängigkeit verbunden sind [11]. Bei Individuen mit IA haben Anderson et al. (2016) berichtete, dass das männliche Geschlecht signifikant mit Online-PC-Spielen verbunden ist [10].
In Bezug auf psychologische Aspekte wurden die positiven Assoziationen von IA und SA mit Depression und Angst weit verbreitet berichtet [12,13]. Jüngste Studien haben gezeigt, dass die Abhängigkeit von Internet und Smartphones durch das individuelle kognitiv-emotionale und Verhaltensprofil des Nutzers und nicht durch das Medium selbst entstehen kann [14,15,16]. Eine aktuelle Studie beobachtete die Rolle von Empathie und Lebenszufriedenheit in IA und SA [17]. In Bezug auf die Psychopathologie berichteten mehrere Studien über eine positive Korrelation zwischen IA, Depression und Angst [18,19,20], während eine aktuelle Studie eine Beziehung zwischen Smartphone-Nutzung und Schweregrad, Depression und Angst berichtet [13]. Daher muss die Wechselbeziehung zwischen IA, SA und psychischen Problemen genau abgegrenzt werden. Angesichts der Überschneidung und der Unterschiede zwischen IA und SA16], dann stellt sich die Frage, inwieweit IA und SA mit dem Anstieg des Grads der Depression und Ängstlichkeit verbunden sind, nachdem die konfundierenden demographischen und sozioökonomischen Faktoren angepasst wurden?
Es bleibt unklar, ob psychische Gesundheitsprobleme Ursachen oder Folgen einer übermäßigen Abhängigkeit von Internet und Smartphones sind. Querschnittsstudien haben multiple Regressionsanalysen verwendet, um die Beziehungen zwischen psychischen Gesundheitsproblemen, IA und SA in Menschen zu untersuchen [21]. In Beobachtungsstudien, denen die Randomisierung fehlt, gibt es jedoch bei der multiplen Regressionsanalyse Einschränkungen wie etwa die Möglichkeit einer Überschätzung und einen geringen Standardfehler bei Vorliegen zahlreicher Kovariaten zusätzlich zur Selektionsverzerrung [22]. Daher würde die Schätzung der Auswirkungen von Sucht durch einfache Untersuchung eines bestimmten Ergebnisses, wie Depression und Angst, durch das Ungleichgewicht der demographischen und sozioökonomischen Faktoren, die mit IA und SA verbunden sind, beeinflusst werden. Darüber hinaus haben noch keine Studien die differentiellen Effekte in Abhängigkeit von den Merkmalen von Internet- und Smartphone-Nutzern, einschließlich der Umweltkontexte und der psychologischen Profile der Nutzer, von IA und SA zu Depression und Angst untersucht. Propensity Score Matching (PSM) ist zu einem beliebten Ansatz geworden, um die Selektionsverzerrung in Beobachtungsstudien zu reduzieren [23,24]. In dieser Arbeit haben wir die PSM-Analyse angewendet, um die Auswirkungen von IA und SA auf Depression und Angst zu untersuchen, um die Selektionsverzerrung in unseren Daten zu reduzieren. Wir haben Geschlecht, Alter, Bildung, Familienstand und Einkommen als konfundierende Variable gewählt, wobei wir die soziodemographischen Variablen mit IA und SA in unserer Studie in Verbindung bringen [9,25].
Das primäre Ziel dieser Studie ist es, die Wechselbeziehungen zwischen IA, SA und Stimmungslage, das heißt Depression und Angst, mit Propensity Score Matching Analyse zu untersuchen. Zweitens versuchen wir herauszufinden, wie sich die Auswirkungen von Depression und Angst zwischen IA und SA unterscheiden.

 

 

2. Materialen und Methoden

 

 

2.1. Studienteilnehmer

Die Daten bestanden aus den anonymen Online-Selbstdiagnose-Umfrageantworten von 5003 koreanischen Erwachsenen (im Alter von 19-49 Jahren), durchgeführt von der Katholischen Universität von Korea, Seoul; und St. Mary's Hospital im Dezember 2014 [26]. Die Studie wurde in Übereinstimmung mit der Deklaration von Helsinki durchgeführt. Die institutionellen Prüfungsausschüsse der Katholischen Universität von Korea, Seoul; und St. Mary's Hospital genehmigt diese Studie. Alle Teilnehmer wurden über die Studie informiert und gaben eine schriftliche Einverständniserklärung ab. Die Umfrageteilnehmer wurden von einem Gremium eines Forschungsunternehmens rekrutiert, und Selbstbefragung Fragebögen wurden ohne Entschädigung durch das Internet verwaltet. Nur 149-Teilnehmer, die kein Smartphone verwenden, wurden ausgeschlossen. Schließlich haben wir die Daten der 4854-Teilnehmer analysiert. In der endgültigen Stichprobe wurden die Altersgruppen in drei Kategorien eingeteilt: Unter 30 (33.19%), 30-39 (43.94%) und 40-49 (22.87%). Es gab 2573-Männchen (53.01%) und 2281-Weibchen (46.99%). Die zusätzlichen demographischen Variablen der Teilnehmer waren Bildung, Familienstand und Einkommen.

 

 

2.2. Maße

 

 

2.2.1. Messung der Internetabhängigkeit

Die koreanische Skala für Internetsucht (K-Skala) wurde in Korea entwickelt, um IA zu bewerten, und wurde in der koreanischen Bevölkerung mit einer hohen Zuverlässigkeit der internen Konsistenz validiert [27]. Der Cronbach-Alpha-Koeffizient für die K-Skala war 0.91 [28]. Es hat sieben Subskalen und 40-Items, die die tägliche Lebensstörung, Störung der Realitätsprüfung, automatisch süchtig machende Gedanken, virtuelle zwischenmenschliche Beziehungen, abweichendes Verhalten, Rückzug und Toleranz messen. Diese Likertypenskala wurde von 1 (überhaupt nicht) auf 4 (immer) gesetzt. Laut dem vorherigen Bericht, der diese Skala verwendet, wurden die Teilnehmer in drei Gruppen eingeteilt: normales, potenzielles Risiko und hohes Risiko [29]. Die Hochrisikogruppe wurde definiert als mit einem standardisierten Score von 70 oder höher, bei täglichen Lebensstörungen, automatisch süchtig machenden Gedanken, Toleranzfaktoren oder mindestens 70 insgesamt. Die potentielle Risikogruppe wurde definiert als ein Score von 62 oder höher bei Störungen des täglichen Lebens, automatisch süchtig machenden Gedanken, Toleranzfaktoren oder mindestens 63 insgesamt. Die normale Verwendungsgruppe enthielt diese Werte unterhalb dieser Zahlen. In dieser Studie bestanden IA-Gruppen aus den potenziellen Risiko- und Hochrisikogruppen.

 

 

2.2.2. Messung der Smartphone-Sucht

Die Smartphone-Suchtpräsenzenskala (K-SAS) wurde validiert und weit verbreitet für die Suche nach SA [30]. Es besteht aus 15-Punkten, die in einer vierstufigen Likert-Notenskala von 1 (überhaupt nicht) bis 4 (immer) bewertet wurden. Die Fragen untersuchten drei Faktoren: Störungen des täglichen Lebens, automatisch süchtig machende Gedanken und Toleranz. Der Cronbach-Alpha-Koeffizient für die K-SAS war 0.880 [5].
Basierend auf einem früheren Bericht, der diese Skala verwendet, haben wir die Bewertungen verwendet, um die Teilnehmer in drei Gruppen einzuteilen: Normal, potenzielles Risiko und hohes Risiko [30]. Die Gruppe mit hohem Risiko wurde definiert als eine Gesamtbewertung von 44 oder mehr aufweisend, oder mit einem Unterscore von 15 oder mehr in der täglichen Lebensstörung zusammen mit Subscores von 13 oder mehr, sowohl bei automatisch süchtig machenden Gedanken als auch bei Toleranz. Die potenzielle Risikogruppe wurde definiert als 41 oder mehr im Gesamtwert, oder 15 oder mehr im täglichen Lebensstörungsfaktor. Die normale Verwendungsgruppe enthielt diese Werte unterhalb dieser Zahlen.30]. In dieser Studie bestand die Smartphone-abhängige Gruppe aus risikoreichen und potenziellen Risikogruppen.

 

 

2.2.3. Messung von psychischen Problemen: Depression und Angst

Der SCL-90-R ist ein multidimensionaler Fragebogen, der entwickelt wurde, um eine Reihe psychologischer und psychopathologischer Merkmale der 9-Subskalen zu untersuchen: Somatisierung, Zwanghaftigkeit, zwischenmenschliche Sensibilität, Depression, Angst, Feindseligkeit, phobische Angst, paranoide Ideation und Psychotizismus [31]. Der SCL-90 enthält 90-Elemente, die in einer 5-Punkteskala von Distress von 0 (keine) bis 4 (extrem) bewertet wurden. Die Test-Retest-Zuverlässigkeit des SCL-90-R in der koreanischen Sprache war 0.76 für Depression und 0.77 für Angstzustände. Die interne Konsistenz war 0.89 für Depression und 0.86 für Angst [31]. Es wurde berichtet, dass Depressionen und Angstzustände die am stärksten mit IA und SA verbundenen psychiatrischen Symptome sind [12,13]. Die spezifischen Dimensionen, die in dieser Studie untersucht werden sollten, beinhalteten die SCL-90-R-Subskalen für Depression und Angst.

 

 

2.3. Datenanalyse

 

 

2.3.1. Statistische Definition

Lassen Zi

 

sei ein binärer Suchindikator für das i-te Thema; das ist, Zi=1 wenn das ith Subjekt süchtig ist (IA oder SA), und Zi=0 Andernfalls. Das mögliche Ergebnis eines psychischen Problems (Depression oder Angst) ist definiert als Yi(Zi. Beachten Sie, dass nur eines der möglichen Ergebnisse gleichzeitig für jedes Subjekt beobachtet wird, also direkte Berechnung von Yi(1)-Yi ist unmöglich. Der primäre Parameter, der von Interesse ist, ist der erwartete Sucht-Effekt auf die abhängige Bevölkerung

τ=E(Yi(1)-Yi(0)|
 
Die Schätzung von τ

hat immer noch ein Problem, weil E(Yi(0)|Zi kann nicht direkt geschätzt werden. Natürlich, in randomisierten Experimenten, E(Yi(0)|Zi ist zufrieden, so τ kann leicht geschätzt werden. In einer Beobachtungsstudie wurde jedoch die naive Schätzung von τ kann voreingenommen sein, weil E(Yi(0)|Zi. Um diese Selektionsbias anzupassen, nehmen wir an, dass wir die Kovariaten beobachten können Xi das sind keine Auswirkungen von irgendeiner Sucht, und für gegebene Kovariaten Xi, die möglichen Ergebnisse Yi(1), Yi sind bedingt unabhängig von Suchindikator Zi. Darüber hinaus, wenn mögliche Ergebnisse unabhängig von der Abhängigkeit von Kovariaten sind Xi, sie sind auch unabhängig von der Abhängigkeit im Propensity Score P(Xi)= P(Zi=1|Xi[19]. Der PSM-Schätzer für τ wird

τPSM=EP(X)|Z=1

 

 

 

 

 

2.3.2. Schätzung des Neigungs-Scores

Neigungsbewertungen werden mithilfe der logistischen Regression berechnet, einem Modell zur Vorhersage der Wahrscheinlichkeit, dass eine Sucht auftritt 

LogP(Zi=1|Xi)

 

 

 
In diesem Papier, wie die Kovariaten für Xi

 

 

Wir betrachten fünf kategorische Kovariaten: Geschlecht (1 = männlich und 2 = weiblich), Alter (1 = 20-29, 2 = 30-39 und 3 = 40-49), Bildung (1 = Mittelschule, 2 = hoch Schule, und 3 = Universität oder höher), Familienstand (1 = Single, 2 = Zusammenleben, 3 = verheiratet, 4 = geschieden und 5 = Hinterbliebenen) und Einkommen (1 = niedrig, 2 = mittel-tief, 3 = Mitte, 4 = Mitte-Hoch und 5 = Hoch). Im Abschnitt 1können diese Kovariaten gleichzeitig die Ergebnisse (Depression oder Angst) und Süchte beeinflussen. Daher haben wir für jedes Subjekt die Propensity Scores geschätzt; das heißt, die bedingte Wahrscheinlichkeit, abhängig von den beobachteten Kovariaten süchtig zu sein [32].

 

 

2.3.3. Matching-Methoden basierend auf dem Geschätzten Neigungs-Score

Sobald die Propensity-Scores geschätzt sind, kann der Matching verwendet werden, um den Behandlungseffekt nach Anpassung an die Unterschiede zwischen den beiden Gruppen abzuschätzen.33]. Das Ziel des Abgleichs besteht darin, eine angepasste Stichprobe zu erstellen, die die Verteilung des Patienten einer Studie ausgleicht und mit den beobachteten Kovariaten der Kontrollgruppen übereinstimmt. Diese Einstellungsmethode ermöglicht es uns, die Störvariablen zu steuern. In dieser Studie haben wir zwei weit verbreitete Matching-Methoden angewendet, die optimale und genetische Übereinstimmung [34].

 

 

2.3.4. Abschätzung der relativen Risiken der Sucht auf psychische Gesundheitsprobleme nach dem Propensity Score Matching

Nach dem Propensity Score Matching unter Verwendung der beobachteten Kovariaten (Alter, Geschlecht, Ehe, Einkommen und Bildung) haben wir einen ausgewogeneren Datensatz. Um das Problem der psychischen Gesundheit (Depression oder Angst) zu modellieren, haben wir verallgemeinerte lineare Modelle (GLMs) auf die entsprechende Stichprobe angewendet. Da die Punktzahlen für die psychische Gesundheit positiv und verzerrt sind, wird die Gammaverteilung mit Log-Link angepasst. Lassen Yi

 

ein Ergebnis von Interesse sein (ein Score von Depression oder Angst) mit Mittelwert μikönnen wir das Gamma GLM-Framework mit Kovariaten verwenden Xi:

 

Logμi=γT
 
 
Durch Modellierung haben wir geschätzt eγ

 

 

als die relativen Risiken (als eine erwartete mittlere Differenz zwischen Gruppen) von IA und SA für jede Kovariate.

 

 

3. Ergebnisse

Zusätzlich zu den 4854-Teilnehmern wurden 126 (2.60%) in die IA-Gruppe und 652 (13.43%) in die SA-Gruppe aufgenommen. Tabelle 1 zeigt die deskriptive Statistik der Depressions- und Angstwerte. Die mittleren Werte für Depressionen und Angstzustände von IA- und SA-Gruppen sind größer als die der Normalnutzungsgruppe (NU).
Tabelle 1. Deskriptive Statistiken der Depression und Angst Noten.
Tisch

 

 

3.1. Übereinstimmende Qualität der Propensity-Score-Matching-Methode

Obwohl wir nur wenige der Kovariaten in den Fragebögen dieser Studie über den Propensity-Score konditionieren, fanden wir, dass das Matching-Verfahren ausreichend war, um die Verteilung jeder Kovariate auszugleichen, Tabelle 2 und Tabelle 3. Wir haben die Abstände in den Randverteilungen von Xi

 

 

 

. Für jede Kovariate berechneten wir die Verzerrung; das heißt, der Unterschied in den Stichprobenmittelwerten der abhängigen und normalen Stichproben. Bevor die Propensity-Score-Übereinstimmung angewendet wurde, wurden die Verzerrungen nicht ignoriert. Nach dem Propensity Score Matching hatten die Sucht- und Normal-Teilstichproben eine sehr ähnliche Randverteilung für alle Kovariaten.
Tabelle 2. Vergleich des mittleren Prozentsatzes der Baseline-Charakteristika zwischen IA- und Normalnutzungsgruppen in der ursprünglichen Stichprobe und der Propensity-Score-Matched-Stichprobe unter Verwendung der genetischen und optimalen Übereinstimmung.
Tisch
Tabelle 3. Vergleich des mittleren Prozentsatzes der Baseline-Charakteristika zwischen SA- und normalen Gruppen in der Originalprobe und der Propensity-Score-Matched-Probe unter Verwendung des genetischen und optimalen Abgleichs.
Tisch

 

 

3.2. Auswirkungen der Internetsucht auf Depressionen und Angstzustände

Die Auswirkungen von IA auf Depressionen und Angstzustände, die unter Verwendung von Propensity Score Matching erhalten wurden, werden in Tabelle 4. Durch genetisches Matching wurden 3846 Proben ausgewählt. Die IA war mit einem höheren Risiko für Depressionen (relatives Risiko 1.207, 95% -Konfidenzintervall 1.128–1.292 und p <0.001) und Angstzuständen (relatives Risiko 1.264, 95% -Konfidenzintervall 1.173–1.362 und p <0.001) verbunden. Alle diese relativen Risikoverhältnisse sind signifikant, da das Konfidenzintervall nicht die 1 enthält. Durch optimale Übereinstimmung wurden 252 Proben ausgewählt. Die IA war mit einer größeren Depression (relatives Risiko 1.243, 95% -Konfidenzintervall 1.145–1.348 und p <0.001) und Angstzuständen (relatives Risiko 1.308, 95% -Konfidenzintervall 1.192–1.435 und p <0.001) verbunden. Ähnlich wie beim genetischen Matching sind die relativen Risikoverhältnisse sowohl bei Depressionen als auch bei Angstzuständen signifikant größer als 1.
Tabelle 4. Auswirkungen der Internet- und Smartphone-Sucht auf Depression und Angst, basierend auf Propensity Score Matching.
Tisch

 

 

3.3. Auswirkungen der Smartphone-Sucht auf Depressionen und Angstzustände

Die Auswirkungen von SA auf Depression und Angst mit Propensity Score Matching sind in Tabelle 4. Durch genetisches Matching wurden 4516 Proben ausgewählt. Die SA war mit einem höheren Risiko für Depressionen (relatives Risiko 1.337, 95% -Konfidenzintervall 1.296–1.378 und p <0.001) und Angstzuständen (relatives Risiko 1.402, 95% -Konfidenzintervall 1.355–1.450 und p <0.001) verbunden. Durch optimale Übereinstimmung wurden 1304 Proben ausgewählt. Die SA war mit einem höheren Risiko für Depressionen (relatives Risiko 1.386, 95% -Konfidenzintervall 1.334–1.440 und p <0.001) und Angstzuständen (relatives Risiko 1.440, 95% -Konfidenzintervall 1.380–1.503 und p <0.001) verbunden. Alle diese relativen Risikokennzahlen sind signifikant.

 

 

3.4. Unterschiede in den Auswirkungen des Internets und der Smartphone-Sucht auf Depression und Angst

Die relativen Risikokennzahlen für Depression und Angst, sowohl von genetischer als auch von optimaler Übereinstimmung, waren 10% höher für SA als für IA. Dies bedeutet, dass SA ein höheres Risiko für Depressionen und Ängste hat als IA. Diese Konfidenzintervalle enthalten kein 1, daher können wir sagen, dass SA 34-44% wahrscheinlicher eine psychische Störung verursacht.

 

 

4. Diskussion

Unsere Ergebnisse zeigen, dass sowohl IA als auch SA signifikante Auswirkungen auf Depressionen und Angstzustände haben, selbst nachdem die Confounder mit Propensity Score Matching kontrolliert wurden. Epidemiologische Studien haben eine höhere Prävalenz von Depression bei IA [35,36]. Eine Reihe von Querschnittsstudien hat berichtet, dass Personen mit IA oder SA ein höheres Maß an Depression und Angstzuständen aufwiesen als normale Nutzer [13,37]. In der vorliegenden Studie zeigen unsere Ergebnisse die Rolle von IA und SA bei der Entwicklung von Depressionen und Angstzuständen. Für die aktuellen Ergebnisse gibt es einige mögliche Erklärungen. Erstens kann die suchterzeugende Nutzung von Internet und Smartphones die zwischenmenschlichen Probleme verstärken, die mit Depressionen und Angstzuständen verbunden sind, wie Familienkonflikte, fehlende Offline-Beziehungen und ein erhöhtes Bedürfnis nach Zustimmung im Cyberspace. Zweitens werden Entzugssymptome als psychopathologische Muster in IA und SA vorgeschlagen, vergleichbar mit Drogenmissbrauchsstörungen [5]. Wenn sie keinen Zugang zu einem PC oder Smartphone haben, können die Personen mit IA oder SA Angst bekommen und dann das Internet oder ein Smartphone benutzen, um solchen negativen Gefühlen zu entkommen [38]. Eine andere mögliche Erklärung ist, dass im Gegensatz zu anderen Suchtmitteln, wie Alkohol und Nikotin, Internet- und Smartphone-Nutzer zu wenig über ihre übermäßige Nutzung im täglichen Leben aufgrund des freien und flexiblen Zugangs zu den Geräten wissen können.3], so dass sie ihren exzessiven Gebrauch eher als Ärgernis als als Zeichen eines problematischen Verhaltens empfinden.39]. Ein weiteres interessantes Ergebnis war, dass SA stärker auf Depressionen und Ängste wirkte als IA. Dies lässt vermuten, dass IA und SA unterschiedliche Auswirkungen auf psychische Probleme haben. Es könnte mehrere mögliche Erklärungen für dieses Ergebnis geben. Erstens, in Anbetracht der Medienmerkmale, ist es einfacher, dass sich die übermäßige Smartphone-Nutzung aufgrund der gewohnheitsbildenden Natur des Geräts aufgrund seiner höheren Zugänglichkeit zum drahtlosen Netzwerk und 24 h häufiger Benachrichtigungen entwickelt [39]. Zweitens könnte dieser Befund in Bezug auf Umweltfaktoren die derzeitige radikale Veränderung des täglichen Lebensdurchschnitts von PCs zu Smartphones widerspiegeln. Menschen können das PC-Internet für komplizierte Arbeiten nutzen und die anderen täglichen Aufgaben mit Smartphones ausführen, was zu einer Verringerung der Arbeitsproduktivität und zu einem höheren Stressniveau führt.40]. Schließlich können Personen mit SA Smartphones verwenden, um Beziehungen und ein Gefühl der Verbundenheit mit dem sozialen Online-Netzwerk aufrechtzuerhalten.41], die zu der Angst führen, die Verbindung zu verlieren und die Angst vor dem Verlust der Verbindung, während gleichzeitig eine höhere Smartphone-Nutzung ausgelöst wird [42].
Diese Studie hat mehrere Einschränkungen, um Erkenntnisse für die gesamte Bevölkerung zu verallgemeinern, wie zum Beispiel den Querschnittscharakter der Datenlimits und die Interpretation der kausalen Inferenz zwischen der Internet- und Smartphone-Sucht, Depression und Angstzuständen. Der Neigungsvergleich hat auch Einschränkungen und Anforderungen. Die Haupteinschränkung ist, dass Propensity Scores nur von beobachteten Confoundern kontrolliert werden können [43]. Die Möglichkeit von unbeobachteten Confoundern kann bestehen bleiben, was den Studienbefund zur Verallgemeinerung einschränkt. Da alle beobachteten Confounder in dieser Studie als kategorische Variablen erfasst wurden, kann es beim Aufbau eines PSM-Modells zu Informationsverlusten kommen. Daher sollten unsere Ergebnisse mit Vorsicht interpretiert werden. Um jedoch die robusten Ergebnisse des Matchings zu erhalten, haben wir zwei übereinstimmende Methoden in Betracht gezogen, genetische Anpassung und optimale Anpassung. Insbesondere verwendet der genetische Abgleich einen genetischen Suchalgorithmus, so dass sein Prozess eine gute übereinstimmende Lösung mit weniger Informationsverlust finden kann [44]. Schließlich wurde die Bewertung des Depressions- und Angstsymptoms mittels eines psychologischen Symptommaßes unter Verwendung von SCL-90-R durchgeführt. Um psychische Gesundheitsprobleme genauer und konsequenter zu bewerten. Ein strukturiertes Interview des Arztes sollte in weiteren Studien durchgeführt werden.

 

 

5. Schlussfolgerungen

In dieser Studie untersuchten wir, wie IA und SA psychische Gesundheitsprobleme, Depressionen und Angstzustände beeinflussen. Nach unserem besten Wissen ist dies die erste Studie, die den Zusammenhang zwischen IA, SA und Psychopathologie mithilfe der Propensity-Matching-Score-Methode aus Querschnittsdaten schätzt und die differentielle Wirkung in der Psychopathologie zwischen IA und SA untersucht. Zusammenfassend zeigen unsere Ergebnisse, dass sowohl IA als auch SA das Risiko von Depressionen und Angstzuständen erhöhen. Darüber hinaus zeigte SA im Vergleich zu IA eine stärkere Beziehung zu Depression und Angstzuständen.
Eine Folge dieser Ergebnisse ist, dass Personen mit einer problematischen Smartphone-Nutzung engmaschig auf psychische Probleme überwacht werden sollten, was die Notwendigkeit unterstreicht, Präventions- und Managementstrategien zu etablieren, die auf das vorklinische Niveau von SA abzielen. Weitere prospektive Studien sollten die kausalen Richtungen der Beziehungen zwischen IA, SA und psychischen Gesundheitsproblemen untersuchen und die diskriminierenden Faktoren von IA und SA identifizieren.

 

 

Autorenbeiträge

D.-JK und DL konzipierten und gestalteten die Experimente; HMJ analysierte die Daten; Y.-JK schrieb die Zeitung. YL hat die Datenerhebung überwacht. Alle Autoren trugen zur Entwicklung des Manuskripts bei, überarbeiteten es kritisch und stimmten dem endgültigen Manuskript zu.

 

 

Anerkennungen

Diese Arbeit wurde durch ein Stipendium der National Research Foundation of Korea (Grant Nr. 2014M3C7A1062894, 2014M3C7A1062896) unterstützt.

 

 

Interessenskonflikte

Die Autoren erklären keinen Interessenkonflikt.

 

 

Bibliographie

  1. Choi, S.-W .; Kim, D.-J .; Choi, J.-S .; Ahn, H .; Choi, E.-J .; Lied, W.-Y .; Kim, S .; Youn, H. Vergleich von Risiko und Schutzfaktoren im Zusammenhang mit Smartphone-Sucht und Internet-Sucht. J. Behav. Süchtiger. 2015, 4, 308-314. [Google Scholar] [CrossRef] [PubMed]
  2. 2016 die Umfrage über Internetabhängigkeit; Ministerium für Wissenschaft, IKT und Zukunftsplanung: Seoul, Korea, 2017.
  3. Lee, Y.-K .; Chang, C.-T .; Lin, Y .; Cheng, Z.-H. Die dunkle Seite der Smartphone-Nutzung: Psychische Merkmale, zwanghaftes Verhalten und Technostress. Comput. Summen. Verhalten 2014, 31, 373-383. [Google Scholar] [CrossRef]
  4. Lee, KE; Kim, S.-H .; Ha, T.-Y .; Yoo, Y.-M .; Han, J.-J .; Jung, J.-H .; Jang, J.-Y. Abhängigkeit von Smartphone-Nutzung und deren Verbindung mit Angst in Korea. Öffentlicher Gesundheitsreferent 2016, 131, 411-419. [Google Scholar] [CrossRef] [PubMed]
  5. Kim, D .; Chung, Y .; Lee, J .; Kim, M .; Lee, Y .; Kang, E .; Keum, C .; Nam, J. Entwicklung einer Smartphone-Suchtanfälligkeitskala für Erwachsene: Selbstbericht. Koreanisch J. Couns. 2012, 13, 629-644. [Google Scholar]
  6. Kwon, M .; Lee, J.-Y .; Won, W.-Y .; Park, J.-W .; Min. J.-A .; Hahn, C .; Gu, X .; Choi, J.-H .; Kim, D.-J. Entwicklung und Validierung einer Smartphone Addiction Scale (SAS). Plus eins 2013, 8, e56936. [Google Scholar] [CrossRef] [PubMed]
  7. Kuss, DJ; Griffiths, MD; Karila, L .; Billieux, J. Internetsucht: Ein systematischer Überblick über die epidemiologische Forschung des letzten Jahrzehnts. Curr. Pharm. Des. 2014, 20, 4026-4052. [Google Scholar] [CrossRef] [PubMed]
  8. Andreassen, CS; Billieux, J .; Griffiths, MD; Kuss, DJ; Demetrovics, Z .; Mazzoni, E .; Pallesen, S. Die Beziehung zwischen suchterzeugender Nutzung von Social Media und Videospielen und Symptomen psychischer Störungen: Eine groß angelegte Querschnittsstudie. Psychol. Süchtiger. Verhalten 2016, 30, 252. [Google Scholar] [CrossRef] [PubMed]
  9. Aljomaa, SS; Qudah, MFA; Albursan, IS; Bakhiet, SF; Abduljabbar, AS Smartphone-Sucht unter Studenten im Lichte einiger Variablen. Comput. Summen. Verhalten 2016, 61, 155-164. [Google Scholar] [CrossRef]
  10. Anderson, EL; Steen, E .; Stavropoulos, V. Internetnutzung und Problematische Internetnutzung: Eine systematische Übersicht über die Längsschnittforschung im Jugend- und Erwachsenenalter. Int. J. Adolesc. Jugend 2017, 22, 430-454. [Google Scholar] [CrossRef]
  11. Haug, S .; Castro, RP; Kwon, M .; Füller, A .; Kowatsch, T .; Schaub, MP Smartphone-Nutzung und Smartphone-Sucht unter Jugendlichen in der Schweiz. J. Behav. Süchtiger. 2015, 4, 299-307. [Google Scholar] [CrossRef] [PubMed]
  12. Ko, C.-H .; Yen, J.-Y .; Yen, C.-F .; Chen, C.-S .; Chen, C.-C. Der Zusammenhang zwischen Internetsucht und psychiatrischen Störungen: Eine Überprüfung der Literatur. EUR. Psychiatrie 2012, 27, 1-8. [Google Scholar] [CrossRef] [PubMed]
  13. Demirci, K .; Akgönül, M .; Akpinar, A. Zusammenhang von Smartphone-Nutzungsschwere mit Schlafqualität, Depression und Angst bei Universitätsstudenten. J. Behav. Süchtiger. 2015, 4, 85-92. [Google Scholar] [CrossRef] [PubMed]
  14. Brand, M .; Jung, KS; Laier, C .; Wölfling, K .; Potenza, MN Integration von psychologischen und neurobiologischen Überlegungen in Bezug auf die Entwicklung und Aufrechterhaltung spezifischer Internet-Nutzungsstörungen: Eine Interaktion von Personen-Affekt-Kognition-Ausführung (I-PACE) -Modell. Neurosc Biobehav. Rev. 2016, 71, 252-266. [Google Scholar] [CrossRef] [PubMed]
  15. Kim, Y.-J .; Kim, D.-J .; Choi, J. Die kognitive Dysregulation der Internetsucht und ihrer neurobiologischen Korrelate. Vorderseite. Biosci (Elite ed.) 2017, 9, 307-320. [Google Scholar]
  16. Lachmann, B .; Duke, É .; Sariyska, R .; Montag, C. Wer ist süchtig nach dem Smartphone und / oder dem Internet? Psychol. Pop. Medien Kult. 2017. [Google Scholar] [CrossRef]
  17. Lachmann, B .; Sindermann, C .; Sariyska, RY; Luo, R .; Melchers, MC; Becker, B .; Cooper, AJ; Montag, C. Die Rolle der Empathie und Lebenszufriedenheit im Internet und Smartphone Unordnung. Vorderseite. Psychol. 2018, 9, 398. [Google Scholar] [CrossRef] [PubMed]
  18. Banjanin, N .; Banjanin, N .; Dimitrijevic, I .; Pantic, I. Zusammenhang zwischen Internetnutzung und Depression: Fokus auf physiologische Stimmungsschwankungen, soziale Vernetzung und Online-Suchtverhalten. Comput. Summen. Verhalten 2015, 43, 308-312. [Google Scholar] [CrossRef]
  19. Akin, A .; Iskender, M. Internet-Sucht und Depression, Angst und Stress. Int. Online J. Educ. Sci. 2011, 3, 138-148. [Google Scholar]
  20. Ostovar, S .; Allahyar, N .; Aminpoor, H .; Moafian, F .; Noch, MBM; Griffiths, MD Internetsucht und ihre psychosozialen Risiken (Depression, Angst, Stress und Einsamkeit) bei iranischen Jugendlichen und jungen Erwachsenen: Ein Strukturgleichungsmodell in einer Querschnittsstudie. Int. J. Ment. Gesundheitssüchtiger. 2016, 14, 257-267. [Google Scholar] [CrossRef]
  21. Cheung, LM; Wong, WS Die Auswirkungen von Schlaflosigkeit und Internetsucht auf Depressionen in Hongkong Chinesische Jugendliche: Eine explorative Querschnittanalyse. J. Schlaf Res. 2011, 20, 311-317. [Google Scholar] [CrossRef] [PubMed]
  22. Cepeda, MS; Boston, R .; Farrar, JT; Strom, BL Vergleich der logistischen Regression versus Propensity Score, wenn die Anzahl der Ereignisse gering ist und mehrere Störfaktoren auftreten. Bin ich J. Epidemiol. 2003, 158, 280-287. [Google Scholar] [CrossRef] [PubMed]
  23. Austin, PC Eine kritische Bewertung der Propensity-Score-Übereinstimmung in der medizinischen Literatur zwischen 1996 und 2003. Stat. Med. 2008, 27, 2037-2049. [Google Scholar] [CrossRef] [PubMed]
  24. Austin, PC; Grootendorst, P .; Anderson, GM Ein Vergleich der Fähigkeit verschiedener Propensity-Score-Modelle zum Ausgleich von gemessenen Variablen zwischen behandelten und unbehandelten Probanden: Eine Monte-Carlo-Studie. Stat. Med. 2007, 26, 734-753. [Google Scholar] [CrossRef] [PubMed]
  25. Müller, KW; Glaesmer, H .; Brähler, E .; Wölfling, K .; Beutel, ME Prävalenz der Internetsucht in der Allgemeinbevölkerung: Ergebnisse einer deutschen Bevölkerungsbefragung. Verhalten Inf. Technol. 2014, 33, 757-766. [Google Scholar] [CrossRef]
  26. Rho, MJ; Lee, H .; Lee, T.-H .; Cho, H .; Jung, D .; Kim, D.-J .; Choi, IY Risikofaktoren für Internet Gaming Disorder: Psychologische Faktoren und Internet Gaming Merkmale. Int. J. Environ. Res. Gesundheitswesen 2018, 15, 40. [Google Scholar] [CrossRef] [PubMed]
  27. Nationale Agentur für Informationsdienste. Eine Studie der Internet Suchtpräferenzskala für Erwachsene; Nationale Informationsdienstagentur: Seoul, Korea, 2005. [Google Scholar]
  28. Kim, D. Die Follow-up-Studie der Internet-Sucht Proneness-Skala; Korea Agentur für digitale Möglichkeiten und Förderung: Seoul, Korea, 2008; Online verfügbar: http://www.nia.or.kr/site/nia_kor/ex/bbs/View.do?cbIdx=39485&bcIdx=277&parentSeq=277 (Zugriff auf 8 May 2008).
  29. Kim, D.-I .; Chung, Y.-J .; Lee, E.-A .; Kim, D.-M .; Cho, Y.-M. Entwicklung der Internet-Suchtanfälligkeitskala-Kurzform (KS-Skala). Koreanisch J. Couns. 2008, 9, 1703-1722. [Google Scholar]
  30. Nationale Agentur für Informationsdienste. Entwicklung einer koreanischen Smartphone-Sucht-Proness-Skala für Jugendliche und Erwachsene; Nationale Informationsdienstagentur: Seoul, Korea, 2011; pp. 85-86. [Google Scholar]
  31. Kim, KI .; Kim, JW. Die Standardisierungsstudie der Symptomcheckliste-90-R in Korea III. Ment. Gesundheit Res. 1984, 2, 278-311. [Google Scholar]
  32. Heckman, J .; Smith, J. Beurteilung des Falles für soziale Experimente. J. Econ. Perspektive. 1995, 9, 85-110. [Google Scholar] [CrossRef]
  33. Caliendo, M .; Kopeinig, S. Einige praktische Anleitung für die Implementierung von Propensity Score Matching. J. Econ. Überlebe 2008, 22, 31-72. [Google Scholar] [CrossRef]
  34. Sekhon, JS; Diamond, A. Genetisches Matching zur Abschätzung kausaler Effekte, unveröffentlichtes Manuskript. Präsentiert auf der Jahrestagung der Political Methodology, Tallahassee, FL, USA, Juli 2005. [Google Scholar]
  35. Ghassemzadeh, L .; Shahraray, M .; Moradi, A. Prävalenz der Internet-Sucht und Vergleich von Internet-Abhängigen und Nicht-Süchtigen in iranischen Gymnasien. Cyberpsychol. Verhalten 2008, 11, 731-733. [Google Scholar] [CrossRef] [PubMed]
  36. Yen, J.-Y .; Ko, C.-H .; Yen, C.-F .; Wu, H.-Y .; Yang, M.-J. Die komorbiden psychiatrischen Symptome der Internetsucht: Aufmerksamkeitsdefizit- und Hyperaktivitätsstörung (ADHS), Depression, soziale Phobie und Feindseligkeit. J. Adolesc. Gesundheit 2007, 41, 93-98. [Google Scholar] [CrossRef] [PubMed]
  37. Tonioni, F .; Mazza, M .; Autullo, G .; Cappelluti, R .; Catalano, V .; Marano, G .; Fiumana, V .; Moschetti, C .; Alimonti, F .; Luciani, M. Ist Internetsucht ein psychopathologischer Zustand, der sich vom pathologischen Spiel unterscheidet? J. Süchtiger. Verhalten 2014, 39, 1052-1056. [Google Scholar] [CrossRef] [PubMed]
  38. Kuss, DJ; Griffiths, MD Online Social Networking und Sucht - Eine Überprüfung der psychologischen Literatur. Int. J. Environ. Res. Gesundheitswesen 2011, 8, 3528-3552. [Google Scholar] [CrossRef] [PubMed]
  39. Oulasvirta, A .; Rattenburg, T .; Ma, L .; Raita, E. Gewohnheiten machen Smartphone-Nutzung durchdringender. Pers. Ubiquitous Comput. 2012, 16, 105-114. [Google Scholar] [CrossRef]
  40. Duke, É .; Montag, C. Smartphone-Sucht, tägliche Unterbrechungen und selbst berichtete Produktivität. Süchtiger. Verhalten Rep. 2017, 6, 90-95. [Google Scholar] [CrossRef] [PubMed]
  41. Kuss, DJ; Griffiths, MD Soziale Netzwerke und Sucht: Zehn Lektionen gelernt. Int. J. Environ. Res. Gesundheitswesen 2017, 14, 311. [Google Scholar] [CrossRef] [PubMed]
  42. Oberst, U .; Wegmann, E .; Stödt, B .; Brand, M .; Chamarro, A. Negative Konsequenzen durch starke soziale Vernetzung bei Jugendlichen: Die vermittelnde Rolle der Angst vor dem Verpassen. J. Adolesc. 2017, 55, 51-60. [Google Scholar] [CrossRef] [PubMed]
  43. Joffe, MM; Rosenbaum, PR Eingeladener Kommentar: Propensity Scores. Bin ich J. Epidemiol. 1999, 150, 327-333. [Google Scholar] [CrossRef] [PubMed]
  44. Diamant, A .; Sekon, J. Genetisches Matching zur Abschätzung von kausalen Effekten: Eine neue Methode, um ein Gleichgewicht in Beobachtungsstudien zu erreichen. Rev. Econ. Stat. 2013, 95, 932-945. [Google Scholar] [CrossRef]