(CAUSACIÓN) Relación recíproca entre la adicción a Internet y la cognición desadaptativa relacionada con la red entre estudiantes de primer año de la universidad china: un análisis longitudinal desfasado (2017)

Piguo Han^1,2, Peng Wang¹, Qingnan Lin², Yu Tian¹, Fengqiang Gao^1* y Yingmin Chen^1*

• ¹Escuela de Psicología, Universidad Normal de Shandong, Jinan, China
• ²Departamento de Educación Preescolar, Universidad de Heze, Heze, China

Este estudio exploró la relación recíproca entre la adicción a Internet (IA) y la cognición no adaptativa relacionada con la red (NMC) en los estudiantes universitarios chinos. En la provincia de Shandong, China, se realizó una encuesta longitudinal a corto plazo con una muestra de estudiantes universitarios de 213. Los resultados revelaron que la IA puede predecir significativamente la generación y el desarrollo de los CMN, y que cuando se han establecido tales cogniciones no adaptativas, pueden afectar aún más la extensión de la IA de los estudiantes. Se observó un círculo vicioso entre estas dos variables, con IA con prioridad predictiva en su relación con el NMC. Este estudio también determinó que la relación entre estas dos variables era la misma tanto para hombres como para mujeres; por lo tanto, el modelo final que establecimos se puede aplicar ampliamente a los estudiantes de primer año de la universidad china, sin importar el género. Comprender la relación recíproca entre estas dos variables puede ayudar en las intervenciones en IA al comienzo de la vida universitaria de los estudiantes.

Introducción

Desde su inicio en los 1990, Internet se ha convertido gradualmente en una parte integral de la vida cotidiana en China, en particular entre los adolescentes de edades entre 10 y 21 (Daniel et al., 2012; Liu et al., 2012). De acuerdo con la 36 Informe estadístico sobre el desarrollo de Internet en China, que fue publicado por el Centro de Información de la Red de Internet de China (CNNIC), el número de usuarios adolescentes de Internet en China ha aumentado rápidamente de 120 millones en 2002 a 287 millones en 2016 (Tian et al., 2017).

Internet ha producido numerosos beneficios, como la mejora de la conexión social y el bienestar (Bessière et al., 2008; Joven y de Abreu, 2011). Sin embargo, la adicción a Internet (IA), que se caracteriza por el uso excesivo o compulsivo de Internet (Young et al., 1999; Shek et al., 2013; Yang et al., 2014) ha tenido numerosos efectos negativos (Joseph et al., 2016). Varios estudios han demostrado que la IA puede afectar negativamente la salud física y mental (Ayas y Horzum, 2013; Georgios et al., 2014; Mike y Zhong, 2014). Por ejemplo, los adolescentes con IA generalmente experimentan ansiedad, depresión, soledad, baja autoestima y malas relaciones interpersonales (Tokunaga y Lluvias, 2010; Georgios et al., 2014; Mike y Zhong, 2014), que puede afectar negativamente aún más su bienestar (Tokunaga y Lluvias, 2010; Georgios et al., 2014; Mike y Zhong, 2014) y el desarrollo académico (Chuang, 2006; Kim et al., 2008; Tsai et al., 2009; Ahmadi y Saghafi, 2013). Por lo tanto, estudiar la IA en adolescentes tiene implicaciones educativas y sociales críticas.

Relación entre IA y NMC

La cognición maladaptativa relacionada con la red (CMN) se cree que desempeña un papel central en la IA (Li et al., 2013). Según el modelo cognitivo-conductual (Davis, 2001), la psicopatología (p. ej., la depresión y la ansiedad social) es una causa distal necesaria de los síntomas de la IA que, en sí misma, no produce síntomas de la IA. Los factores clave en IA son los CMN, que son causas suficientes proximales (Daniel et al., 2012; Figura 1). Numerosos estudios han informado que la psicopatología distal hace que un individuo sea vulnerable a IA a través de NMC (Kalkan, 2012; Mai et al., 2012; Li y Wang, 2013; Lu y Yeo, 2015). Por ejemplo, los investigadores investigaron la relación subyacente entre el temperamento (es decir, el control del esfuerzo, la búsqueda de altas sensaciones y el enojo o frustración de alta disposición) y el desarrollo de IA; los resultados indicaron que ciertos temperamentos influyen en el nivel de IA a través del efecto que tiene el temperamento en su conocimiento de los comportamientos en línea (Zhang et al., 2015). Tian et al. (2017) examinó las asociaciones recíprocas entre timidez, cogniciones desadaptativas y uso patológico generalizado de Internet (GPIU) en una muestra china. Los resultados indicaron que las asociaciones entre estas variables son dinámicas y bidireccionales, y que el aumento de las cogniciones no adaptativas medió bidireccionalmente la relación entre la timidez y la GPIU a través del tiempo. Además, otros estudios han determinado que el estilo de crianza y la relación entre pares pueden predisponer a las personas a NMC, lo que afectaría aún más el nivel de IA (Li et al., 2013; Wang et al., 2015).

   

FIGURA 1. Modelo cognitivo-conductual del uso patológico de internet (Davis, 2001).

Además, muchos otros estudios se han centrado en la adicción a los juegos de Internet y han investigado su relación con las cogniciones no adaptativas. Rey y Delfabbro (2014) Propuso un nuevo modelo que ofrece explicaciones teóricas de los orígenes y la patogénesis de la adicción a los juegos de Internet. Los autores identificaron cuatro cogniciones de mala adaptación que subyacen a la adicción a los juegos de Internet, a saber, sobrevaloración, reglas de mala adaptación, autoestima de juego y aceptación de juego. Algunos estudios empíricos también han encontrado que los adolescentes con síntomas de adicción a juegos de Internet informaron significativamente más cogniciones desadaptativas que los adolescentes sin estos síntomas (Zhou et al., 2012; Liu et al., 2014; Rey y Delfabbro, 2016). Peng y Liu (2010) informaron que una escala de cinco ítems que mide las cogniciones predice significativamente la adicción a los juegos de Internet en adultos chinos. Forrest et al. (2016) investigó las cogniciones no adaptativas asociadas con los videojuegos problemáticos en una muestra de adultos australianos de 465. Los resultados revelaron que estas cogniciones problemáticas se relacionaban de forma moderada a alta con la adicción a los juegos de Internet. Forrest et al. (2017) exploró si la cognición no adaptativa podría predecir cambios futuros en videojuegos problemáticos utilizando un estudio longitudinal de 12-mes. Los resultados mostraron que el cambio cognitivo representó el 28% de varianza en las puntuaciones de juegos problemáticos más allá del género, la edad y la frecuencia de juego.

Aunque varios estudios han identificado la influencia de NMC en IA, pocos estudios han explorado la posible influencia de IA en NMC. Teoría de la disonancia cognitiva (Festinger, 1957), que se refiere principalmente a cómo las personas experimentan y responden a inconsistencias dentro del pensamiento y entre el comportamiento y el pensamiento, proporciona una explicación alternativa de cómo el NMC se relaciona con la IA. Cuando las personas se dan cuenta de las inconsistencias, experimentan incomodidad o disonancia, lo que provoca esfuerzos para reducir estas experiencias y recuperar la coherencia mediante la adaptación de sus actitudes, percepciones o comportamientos hasta que se resuelvan dichas inconsistencias (de Vries y Timmins, 2016). De acuerdo con esta teoría, cuando las personas se comportan de manera inconsistente con sus valores, como cuando se entregan a Internet cuando ya ha afectado negativamente su vida, experimentan disonancia en forma de arrepentimiento; Esto ocurre con sentimientos de responsabilidad personal por las consecuencias negativas de sus comportamientos. La mayoría de las personas pueden ajustar su comportamiento con éxito para reducir esta disonancia. Sin embargo, algunas personas pueden reducir la disonancia al cambiar su actitud hacia Internet, reduciendo así su disonancia y manteniendo comportamientos problemáticos. Chiou y Wan (2007) Investigé este proceso con una muestra de jugadores de videojuegos. Los resultados revelaron que los jugadores que se sienten responsables de su comportamiento tienen más probabilidades de cambiar sus actitudes hacia los videojuegos de positivo a negativo, mientras que los jugadores con una mayor inversión en juegos de video tienen menos probabilidades de participar en comportamientos de discrepancia de actitud.

Investigación sobre IA entre estudiantes universitarios

Una variedad de estudios han sugerido que los adolescentes constituyen la mayoría de los usuarios de Internet, y que los estudiantes universitarios son particularmente vulnerables a IA debido a su fácil acceso a Internet, horarios flexibles y su menor capacidad para controlar su comportamiento (Shaw y Negro, 2008; Fu et al., 2010; Georgios et al., 2014; Yang et al., 2014). Además, el comienzo de la vida universitaria es un período de desarrollo para los estudiantes durante la transición, lejos de una dependencia relativamente alta en las relaciones interpersonales (no solo las relaciones familiares sino también las relaciones entre compañeros y otras relaciones sociales; Woodhouse y otros, 2012). Estudios anteriores han informado que el uso no controlado de Internet está estrechamente relacionado con una disminución en la comunicación y supervisión familiar (Van den Eijnden et al., 2010; Liu et al., 2012). Por lo tanto, el cambio en las relaciones interpersonales tiende a poner a los universitarios de primer año en riesgo de desarrollar IA (Zhang et al., 2014).

Además, los estudiantes de primer año deben aprobar una serie de exámenes rigurosos para ingresar a la universidad en China y, por lo general, no tienen tiempo suficiente para la autoreflexión durante la escuela secundaria. Por lo tanto, cuando se enfrentan a la vida universitaria, su falta de estudio y habilidades interpersonales pueden hacer que se sientan confundidos (Ni et al., 2009). Además, debido al abundante tiempo de ocio y al acceso ilimitado a Internet a través de una gama de herramientas inalámbricas, los estudiantes universitarios tienden a pasar grandes cantidades de tiempo en línea y, por lo tanto, es muy probable que experimenten síntomas de IA durante este período único (Chen, 2012). Para proporcionar estrategias preventivas e intervencionistas para la IA, se realizó un estudio longitudinal a corto plazo durante un primer semestre en la universidad.

El estudio presente

Aunque muchos investigadores han investigado la relación entre IA y NMC, la mayoría ha adoptado un enfoque transversal; por lo tanto, identificar una relación recíproca entre estas dos variables es difícil (Joseph et al., 2016). Además, aunque la probabilidad de que los estudiantes desarrollen IA es sustancialmente mayor al comienzo de la universidad (Li y Liang, 2007; Ni et al., 2009), los participantes de estudios anteriores han sido típicamente estudiantes universitarios de todas las edades, con estudiantes en su primer semestre participando con menos frecuencia. Por lo tanto, el presente estudio adoptó un análisis cruzado para explorar la relación entre IA y NMC entre los estudiantes universitarios durante el primer semestre de su vida universitaria. De acuerdo con estudios teóricos y empíricos anteriores, puede existir una relación recíproca entre estas dos variables. Por lo tanto, propusimos un modelo de interacción (Figura 2) y probó tres hipótesis sobre la relación entre estas dos variables.

   

FIGURA 2. Modelo hipotético.

H1. Existen sendas rezagadas positivas y significativas desde IA hasta NMC, y NMC es un predictor efectivo de IA entre los estudiantes universitarios chinos.

H2. Los trayectos cruzados de IA a NMC alcanzan un nivel significativo, y el nivel de IA por lo tanto afecta adversamente a NMC.

H3. La relación entre IA y NMC se puede aplicar generalmente a hombres y mujeres.

Materiales y Métodos

Participantes

El número inicial de estudiantes de primer año disponibles para participar en la universidad fueron participantes de 300, todos ellos matriculados en dos universidades ubicadas en dos ciudades (a saber, Jinan y Heze) en la provincia de Shandong, China. Las recopilaciones de datos se realizaron a principios de septiembre de 2015 (T1), 2 meses más tarde (T2), y luego 4 meses más tarde (T3). En la primera ola de recolección de datos, todos estos estudiantes de 300 completaron la medición. Sin embargo, en las siguientes oleadas, 87 de estos estudiantes 300 se retiró a mitad de camino. La falta de participación se debió a ausencia o enfermedad (tasa de participación: 71.00%). Por lo tanto, los estudiantes de 213 se quedaron para el análisis de datos finales (hombres 104 y mujeres 109), con edades que van desde 17 a 21 años (M = 18.87 años, SD = 0.76 años). Para determinar si los datos de los estudiantes que se retiraron a mitad de camino (estudiantes 87) difirieron de aquellos que no se retiraron (estudiantes 213) con respecto a cualquiera de las variables incluidas en este estudio, una serie de t-las pruebas se realizaron utilizando los datos recopilados en la primera ola de recopilación de datos; Ninguno de estos análisis fue significativo. Todos estos participantes tuvieron experiencia en Internet y se incluyeron en este estudio. Los participantes habían usado Internet durante un promedio de 5.59 años (SD = 2.06) al comienzo de su vida universitaria. Se recopiló información sobre la residencia registrada de los estudiantes: 43.19% vivía en ciudades grandes, 35.68% vivía en ciudades y 21.13% vivía en aldeas. Además, se estableció un archivo para cada estudiante (estos archivos incluían su información básica, así como su estado de salud física y mental) cuando ingresaron a la universidad. Según los archivos, ninguno de los participantes tiene trastornos psiquiátricos o neurológicos. Este estudio se llevó a cabo de acuerdo con las recomendaciones de las pautas éticas de la Universidad Normal de Shandong y la Declaración de Helsinki, con el consentimiento informado por escrito de todos los participantes. El protocolo fue aprobado por el Comité de Ética de Investigación Humana de la Universidad Normal de Shandong.

Instrumentos

Adicción a Internet

El estudio actual adoptó la Escala de Adicción a Internet en China revisada (CIAS-R; Bai y Fan, 2005). El CIAS-R contiene elementos 19 que se pueden dividir en cuatro factores: uso compulsivo y retiro (por ejemplo, "Me siento deprimido durante un período de tiempo sin acceso a Internet"), tolerancia (por ejemplo, "Me encuentro con que tengo que gastar cantidades crecientes de tiempo en línea para sentirse satisfecho ”, problemas de administración del tiempo (por ejemplo,“ Mi rendimiento académico o laboral sufre efectos adversos debido a mi uso de Internet ”), y problemas de salud e interpersonales (por ejemplo,“ Reduzco mi tiempo de sueño para tener más tiempo en línea"). Cada respuesta se midió en una escala tipo Likert de puntos 4 con puntajes que van desde 1 (para nada cierto) a 4 (siempre cierto). Por lo tanto, las puntuaciones medias más altas representan niveles más altos de IA. La escala se ha aplicado en estudios recientes en estudiantes universitarios chinos y ha demostrado una alta confiabilidad y validez (Tian et al., 2015). En el presente estudio, los coeficientes alfa para la escala fueron 0.92 en T1, 0.95 en T2 y 0.91 en T3.

Cognición maladaptativa relacionada con la red

Este estudio adoptó la Escala de cognición de mala adaptación adaptada a la red revisada por Liang; la escala original fue la Escala de cognición en línea, que se desarrolló sobre la base del modelo cognitivo-conductual propuesto por Davis (Tian et al., 2015). La escala revisada contiene elementos 14 que pueden dividirse en tres factores: comodidad de Internet (por ejemplo, "Recibo más respeto en línea que en la" vida real ""), control de impulsos disminuido (por ejemplo, "Cuando estoy en Internet, a menudo sentir una especie de "apresuramiento" o emoción emocional ", y distracción (por ejemplo," Usar Internet es una forma de olvidarse de las cosas que debo hacer pero que realmente no quiero hacer "). Los participantes calificaron la veracidad de cada afirmación en una escala tipo Likert de 5 puntos, con puntajes que van desde 1 (para nada cierto) a 5 (siempre cierto). Por lo tanto, las puntuaciones medias más altas representan niveles más altos de NMC con respecto al uso de Internet. La escala ha sido aplicada en estudios previos en estudiantes universitarios chinos (Tian et al., 2015, 2017). En el estudio actual, los coeficientes alfa para la escala fueron 0.87 en T1, 0.90 en T2 y 0.90 en T3.

Análisis estadístico

En este estudio, empleamos un diseño de panel totalmente retrasado para examinar las relaciones unidireccionales y bidireccionales entre IA y NMC en estudiantes de primer año de la universidad china (Van Lier et al., 2012). El modelo general consistió en medidas de IA y NMC en T1, T2 y T3. Propusimos y probamos cuatro modelos que representan los posibles mecanismos entre las dos variables. Primero, propusimos un “modelo de estabilidad” (Modelo 1, Figura 3) que incluía solo efectos de estabilidad en el tiempo cruzado. Segundo, un modelo cognitivo-conductual (Modelo 2, Figura 3) se propuso examinar si el NMC en un momento determinado podía predecir la IA en el siguiente momento. En tercer lugar, propusimos un "modelo conductual-cognitivo" (Modelo 3, Figura 3) para examinar si IA en un punto de tiempo podría predecir NMC en el siguiente punto de tiempo. Finalmente, propusimos un “modelo de causa recíproca” (Modelo 4, Figura 3) que exploró la influencia recíproca entre IA y NMC. Además, se llevó a cabo un análisis de grupos múltiples basado en el género para examinar si la relación entre las dos variables clave difería entre hombres y mujeres.

   

FIGURA 3. Resultados del análisis cruzado. Las líneas de una sola flecha representan coeficientes de trayectoria y las líneas de doble flecha representan las covarianzas. Las líneas discontinuas indican coeficientes no significativos y las líneas continuas indican coeficientes significativos. ^∗∗∗Indicar que el coeficiente es significativo a nivel 0.001. ^∗∗indicar coeficiente es significativo a nivel 0.01, y ^*Indicar que el coeficiente es significativo a nivel de 0.05.

Se empleó el modelo de ecuación estructural con variables latentes para probar el modelo hipotetizado en este estudio. De acuerdo con la recomendación de Holbert y Stephenson (2002), la bondad del ajuste del modelo se evaluó utilizando una variedad de índices. El χ² estimar con grados de libertad sigue siendo el medio más utilizado para realizar comparaciones entre diferentes modelos. La relación entre χ² y los grados de libertad no deben exceder 5 para modelos con un buen ajuste. Además, informamos el índice de ajuste comparativo (CFI) junto con el índice de Tucker-Lewis (TLI) y el error cuadrático medio de aproximación (RMSEA). En general, los valores CFI y TLI de 0.95 o superiores reflejan un buen ajuste y los valores RMSEA más bajos que 0.06 indican un ajuste excelente, mientras que los valores entre 0.06 y 0.08 indican un ajuste adecuado (Yuan et al., 2014). Por otra parte, el χ² prueba de diferencia (Δχ²) se utilizó para comparar el ajuste de los modelos anidados. Un non no significativo² la prueba indica que los dos modelos proporcionan un ajuste igual a los datos, mientras que una Δχ significativa² sugiere que el modelo menos restringido debería mantenerse (Tian et al., 2017).

Resultados

Análisis descriptivo

Las medias y las desviaciones estándar de las variables clave en este estudio se presentan en la Tabla 1. Se realizaron ANOVA de medidas repetidas para explorar las influencias del género y el tiempo de medición en el IA y el NMC de los participantes ("género" es una variable entre sujetos y "tiempo de medición" es una variable dentro de los sujetos). Los resultados no revelaron diferencias significativas entre los géneros en términos de las dos variables dependientes (F = 0.10, p = 0.749; F = 0.02, p = 0.822). Con el tiempo, el nivel de IA aumentó significativamente de T1 a T3 entre los estudiantes de primer año de la universidad (F = 28.71, p <0.001). Los resultados de un post hoc la prueba indicó que el nivel de IA medido en T3 fue significativamente más alto que en T2 (p <0.01) y T1 (p <0.001), y que el nivel de IA medido en T2 fue significativamente más alto que en T1 (p <0.001). Además, existían diferencias marginales significativas en NMC cuando se midieron en diferentes momentos (F = 2.93, p = 0.055). Los resultados de la post hoc La prueba reveló que el nivel de IA medido en T3 fue significativamente más alto que en T1 (p <0.05), y que existieron diferencias marginales significativas en NMC cuando se midió en T1 y T2 (p = 0.065). Sin embargo, no existió una diferencia significativa en NMC cuando se midió en T2 y T3 (p = 0.846). La interacción entre género y tiempo de medición en las dos variables no alcanzó niveles significativos (F = 0.38, p = 0.682; F = 0.24, p = 0.791).

   

TABLA 1. Estadística descriptiva de IA y NMC (n = 213).

Como se muestra en la tabla 2, las correlaciones bivariadas entre IA y NMC en T1, T2 y T3, así como todas las correlaciones cruzadas entre las dos variables, fueron significativas y positivas, lo que sugiere una relación positiva entre IA y NMC.

   

TABLA 2. Correlaciones entre IA y NMC (n = 213).

Relaciones cruzadas entre IA y NMC

Se especificó una serie de modelos con retraso para examinar las relaciones recíprocas entre IA y NMC. Primero, un modelo de línea base (Modelo 1, Figura 3) fue especificado; en este modelo, se estimaron los coeficientes de estabilidad para IA y NMC, pero no se estimaron los efectos de retraso entre las dos variables. El ajuste del modelo fue aceptable (Tabla 3). En segundo lugar, para probar el modelo cognitivo-conductual presentado anteriormente, se agregaron al modelo de línea de base las rutas cruzadas de NMC a IA (Modelo 2, Figura 3), que mejoró significativamente el ajuste del modelo (Tabla 3). El χ² la prueba de diferencia reveló que el Modelo 2 demostró un mejor ajuste a los datos que el Modelo 1 (² = 27.05, Δdf = 2, Δχ²/ Δdf = 13.53> 6.63) (Wen et al., 2006). De acuerdo con el Modelo 2, los coeficientes de ruta estandarizados fueron 0.10 (p = 0.309) para NMC medido en T1 a IA medido en T2, y 0.36 (p <0.001) para NMC medido en T2 a IA medido en T3. En tercer lugar, para examinar si IA en un punto temporal podría predecir NMC en el siguiente punto temporal, se agregaron las rutas con retardo cruzado de IA a NMC al modelo de línea de base (Modelo 3, Figura 3). El resultado mostró que se logró un buen ajuste del modelo (Tabla 3). El χ² la prueba de diferencia demostró que el Modelo 3 demostró un ajuste superior a los datos que el Modelo 1 (Δχ² = 47.20, Δdf = 2, Δχ²/ Δdf = 23.60> 6.63). Según el Modelo 3, los coeficientes de trayectoria estandarizados fueron 0.44 (p <0.001) para IA medida en T1 a NMC medida en T2 y 0.50 (p <0.001) para IA medida en T2 a NMC medida en T3. Esto indica que IA en un momento dado fue un predictor efectivo de NMC en el siguiente momento, y que la adición de las dos rutas al modelo podría mejorar significativamente el ajuste del modelo. En cuarto lugar, el Modelo 4 se especificó con coeficientes de estabilidad y el efecto de rezago cruzado entre IA y NMC (Modelo 4, Figura 3). El modelo se ajusta suficientemente a los datos (Tabla 3). Sin embargo, los modelos 3 y 4 están anidados, y el χ² prueba de diferencia indicó que los dos modelos funcionaron igualmente bien (² = 11.69, Δdf = 2, Δχ²/ Δdf = 5.85 <6.63). Finalmente, como se muestra en el Modelo 4, a excepción de los coeficientes de ruta estandarizados para NMC medidos en T1 a IA medidos en T2, el resto de las rutas con retardo cruzado entre IA y NMC alcanzaron un nivel significativo. Por lo tanto, eliminamos esta ruta y desarrollamos el Modelo 5. El modelo se ajusta suficientemente a los datos (Tabla 3). En consecuencia, el Modelo 5 se mantuvo como el modelo final para el análisis debido a las siguientes razones: (1) Aunque los dos modelos se desempeñaron igualmente bien (² = 0.21, Δdf = 1, Δχ²/ Δdf = 0.21 <6.63), el Modelo 5 es más simple y más parsimonioso que el Modelo 4, y se deben seleccionar menos parámetros para el análisis. (2) El χ² la prueba de diferencia mostró que el Modelo 5 demostró un mejor ajuste a los datos que el Modelo 3 (Δχ² = 11.48, Δdf = 1, Δχ²/ Δdf = 11.48> 6.63), y el coeficiente de ruta estandarizado fue 0.25 (p <0.001) para NMC medido en T2 a IA medido en T3. Es decir, existe una gran posibilidad de que la NMC medida en T2 pueda predecir la IA medida en T3.

   

TABLA 3. Comparaciones entre diferentes modelos.

Diferencias de género

Para investigar si las relaciones cruzadas entre IA y NMC difieren entre hombres y mujeres, realizamos un análisis multigrupo. Primero estimamos el modelo apropiado para los machos (M_varón) y hembras (M_hembra) por separado, y los índices de ajuste fueron adecuados para ambas submuestras (Tabla 4). Luego se evaluó la invariancia de las mediciones para determinar si ambas variables se midieron de manera idéntica para hombres y mujeres. En el modelo de medición totalmente libre (M₁), todos los parámetros permitieron variar entre los dos grupos. Se logró un ajuste aceptable del modelo y un modelo de medición completamente restringido (M₂) luego se analizó en el que todos los parámetros se fijaron de manera idéntica para los dos grupos; el modelo se ajusta a los datos suficientemente (Tabla 4). El χ² prueba de diferencia indicó que los dos modelos funcionaron igualmente bien (² = 6.50, Δdf = 15, p = 0.970).

   

TABLA 4. Análisis multigrupo entre machos y hembras.

Para abordar el objetivo de la investigación de esta parte del estudio, llevamos a cabo un análisis multigroup con retraso en función del género de los estudiantes universitarios. Se probaron tres parámetros para examinar si diferían entre los géneros: coeficientes de estabilidad, coeficientes de trayectoria con retraso y covarianzas entre IA y NMC. Un modelo restringido (M₃) se especificó en la que los tres parámetros eran idénticos en los dos grupos; este modelo logró un ajuste satisfactorio del modelo (Tabla 4). El χ² la prueba de diferencia indicó que este modelo se ajusta a los datos tan adecuadamente como el modelo sin restricciones (² = 1.78, Δdf = 7, p = 0.996), lo que indica que el patrón general de las rutas fue invariante entre hombres y mujeres.

Discusión

Este estudio implicó realizar una encuesta de panel con retraso para explorar la relación recíproca entre IA y NMC entre los estudiantes de primer año de la universidad china. Según el modelo cognitivo-conductual (Davis, 2001), puede existir una relación recíproca entre las dos variables, y NMC es un pronosticador probable de IA. Sin embargo, esta hipótesis no fue totalmente apoyada. Durante los primeros meses 2 del estudio, no observamos ningún efecto predictivo de NMC en IA; esto no es consistente con los resultados de un estudio previo (Tian et al., 2015). Específicamente, NMC parece no ser la condición esencial para la generación de IA. Este resultado probablemente esté relacionado con los participantes en el estudio actual. En este estudio, los participantes de la encuesta eran estudiantes universitarios chinos que habían completado recientemente un estricto examen de ingreso, a saber, "Gaokao". Para obtener la admisión a la universidad, los estudiantes deben hacer un gran esfuerzo a lo largo de su educación primaria y secundaria; en consecuencia, pocos de ellos tienen tiempo suficiente para utilizar Internet (Li y Liang, 2007). Por lo tanto, el nivel de NMC fue más bajo cuando los participantes se inscribieron en la universidad, lo que podría haber evitado una influencia significativa en la generación de IA. Durante el período universitario, muchos otros factores pueden hacer que las personas se vuelvan adictas a Internet. Por ejemplo, el anonimato y la ausencia de señales no verbales y demográficas proporcionadas por Internet pueden ser beneficiosas para el bienestar de los estudiantes al ofrecer alivio de la angustia emocional (Caplan y Turner, 2007) y la mejora de las percepciones de apoyo social y autoestima (Kraut et al., 2002), además de ampliar la gama de relaciones interpersonales (Cotten, 2008). Además, los rasgos de personalidad pueden desempeñar un papel crítico en la generación de IA durante este período (Mike et al., 2014). Por ejemplo, las personas con una gran capacidad de control de esfuerzo fueron más efectivas para reprimir los actos impulsivos cuando se sienten tentados con Internet, como se mencionó anteriormente. En contraste, las personas con altos niveles de búsqueda de sensaciones eran más propensas a desarrollar conductas adictivas (Zhang et al., 2015). Sin embargo, el estrés académico de los estudiantes chinos de primer año disminuyó significativamente después de ingresar a la universidad, y tuvieron más tiempo para usar Internet (Li y Liang, 2007). Por lo tanto, pueden haber desarrollado gradualmente varias respuestas cognitivas hacia Internet a través de sus propias experiencias o experiencias que involucren el intercambio entre pares, lo que en consecuencia afectó su nivel de IA (Wang et al., 2015).

Según el modelo cognitivo-conductual (Davis, 2001), IA podría tener un impacto negativo en NMC (Caplan, 2010). Sin embargo, se han realizado pocos estudios empíricos para probar esta hipótesis, y pocos investigadores han propuesto teorías para explicar este fenómeno. Sin embargo, la evidencia empírica del estudio actual sugiere que IA tuvo prioridad predictiva en su relación con el NMC, lo que podría afectar tanto a la generación como al desarrollo del NMC. Algunos investigadores han explorado el comportamiento de los juegos en línea en adolescentes chinos. Informaron que los comportamientos de los juegos en línea podrían afectar significativamente la cognición con respecto a los juegos en línea porque el cambio de las cogniciones relativas con respecto a los juegos en línea era un método eficiente para aliviar la incomodidad causada por las inconsistencias entre el comportamiento y el pensamiento (Wang et al., 2015). Por lo tanto, aplicamos la teoría de la disonancia cognitiva como un modelo explicativo para discutir el mecanismo de efecto predictivo de IA en NMC (Cooper, 2007). De acuerdo con esta teoría, cuando las personas se dan cuenta de las inconsistencias, experimentan incomodidad o disonancia, lo que provoca esfuerzos para reducir esta experiencia y recuperar la coherencia al adaptar sus actitudes, percepciones o comportamientos hasta que se resuelvan tales inconsistencias (de Vries y Timmins, 2016). La mayoría de las personas pueden ajustar su comportamiento con éxito para reducir esta disonancia. Sin embargo, algunas personas tienden a justificar comportamientos que parecen reducir la disonancia, por razones como "Puedo recibir más respeto en línea que 'en la vida real'", "Me siento más seguro cuando estoy en Internet" o "Usar Internet es una Una forma de olvidarme de las cosas que debo hacer pero que no deseo hacer ”. Cuando las personas se convencen a sí mismas de que ser adictos a Internet es razonable, la disonancia se reduce y se sienten mejor. Sin embargo, el método efectivo para reducir las molestias por disonancia tiende a repetirse cuando ocurre otra violación idéntica, lo cual es problemático (de Vries y Timmins, 2016). Es decir, cuando los estudiantes han establecido dichos CMN, el uso excesivo posterior de Internet no produce el mismo nivel de incomodidad, lo que aumenta aún más el uso excesivo de Internet. En resumen, la generación y el desarrollo de IA se debe a un círculo vicioso que involucra a NMC y al uso excesivo de Internet, y IA tiene la prioridad predictiva en su relación con NMC.

Los resultados indican que no hay diferencias significativas en las variables clave entre hombres y mujeres. Esto es inconsistente con los hallazgos de muchos otros estudios. (Müller et al., 2014). Esto es posiblemente debido al rápido desarrollo de las tecnologías de computación y redes, que han cambiado considerablemente el equipo del terminal de red así como sus aplicaciones (Daniel et al., 2012; Mike y Zhong, 2014). Por ejemplo, en la sociedad contemporánea, los teléfonos móviles se han convertido gradualmente en el principal medio de acceso a Internet, y se pueden realizar una variedad de actividades, como compras y navegación, con ellos. Tanto hombres como mujeres disfrutan de la mayoría de tales actividades (San, xnumx). Además, los resultados del análisis multigroup cruzado revelan que las rutas encontradas entre IA y NMC fueron las mismas para hombres y mujeres. Es decir, los procesos que conducen a la IA pueden ser idénticos para ambos sexos, y el modelo final establecido en el presente estudio posee una amplia aplicabilidad y un significado práctico para los estudiantes universitarios chinos.

Para identificar aún más el mecanismo generativo y de desarrollo de la IA, propusimos un modelo teórico basado en los resultados encontrados en este estudio, así como el modelo cognitivo-conductual propuesto por Davis (Figura 4). Según este modelo, la generación y el desarrollo de IA es el resultado de un círculo vicioso que involucra a IA y NMC, y este ciclo se debe principalmente a la incomodidad causada por las inconsistencias entre el comportamiento y el pensamiento (de Vries y Timmins, 2016). Debido a que este ciclo comienza principalmente con el uso excesivo de Internet, es necesario mitigar este círculo vicioso al comienzo del semestre a través de varios métodos. Sin embargo, debido al poderoso atractivo de Internet para los jóvenes, es difícil evitar por completo el AI entre los estudiantes universitarios de primer año. Según la teoría de la disonancia cognitiva, cuando algunos de ellos se vuelven adictos a Internet, existen dos métodos para reducir la incomodidad causada por las inconsistencias entre el comportamiento y el pensamiento. El primer método implica cambiar el comportamiento en línea, y el segundo método consiste en ajustar las cogniciones para desarrollar justificaciones para el comportamiento adictivo. El segundo método es evidentemente preferido. Por lo tanto, este modelo puede proporcionar apoyo teórico para los planes de prevención y remediación para IA entre los estudiantes chinos al comienzo de sus años universitarios.

   

FIGURA 4. Modelo teórico del presente estudio.

Limitaciones y direcciones futuras

Cabe destacar algunas limitaciones de este estudio. Primero, aunque propusimos un modelo teórico con respecto a la generación y el desarrollo de IA, este modelo no se validó completamente en el estudio actual, y nos enfocamos solo en la relación recíproca entre IA y NMC. Como tal, se debe realizar más investigación empírica para verificar este modelo. Además, este modelo teórico podría no haber abordado la influencia de varios otros factores, como la emoción y el entorno externo. Por lo tanto, se deben desarrollar modelos teóricos más sofisticados para abordar este problema. En segundo lugar, para explorar la relación recíproca entre IA y NMC, este estudio realizó tres encuestas desde septiembre 2015 hasta enero 2016. Sin embargo, el período de tiempo de las tres encuestas puede haber sido demasiado corto para detectar un cambio estable en IA a lo largo del tiempo. La tendencia de desarrollo posiblemente sea distinta en períodos subsiguientes durante la vida universitaria de los estudiantes. Por lo tanto, es necesaria una mayor exploración de este problema en los años restantes de su tiempo en la universidad. Finalmente, el uso de una muestra conveniente de estudiantes universitarios de primer año en este estudio fue necesario debido a las limitaciones que involucran las finanzas y los recursos humanos. Esta muestra solo incluyó participantes de 213, todos los cuales provenían de la universidad en la provincia de Shandong, China. Las diferencias económicas y culturales entre las provincias pueden afectar las relaciones entre las dos variables clave relacionadas con los estudiantes universitarios de primer año. Por lo tanto, el estudio debe replicarse con una muestra más grande que incluya diferentes regiones de China.

Contribuciones de autor

PH contribuyó a la concepción de la idea inicial, y la escritura del manuscrito. PW y FG contribuyeron a las revisiones críticas. QL y YT ayudaron a completar la recolección y análisis de datos. Todos los autores aprobaron la versión final del manuscrito para su publicación.

Oportunidades

Esta investigación fue apoyada por el Programa de Investigación Científica Humanidades-Sociedad de la Provincia de Shandong (J16YG21), el Programa Científico de Arte de la Provincia de Shandong (ZX2015021) y el Programa de Investigación Científica Humanidades-Sociedad de la Universidad Heze (XY16SK09).

Declaracion de conflicto de interes

Los autores declaran que la investigación se llevó a cabo en ausencia de cualquier relación comercial o financiera que pudiera interpretarse como un posible conflicto de intereses.

Referencias

Palabras clave: adicción a Internet, cognición no adaptativa relacionada con la red, estudiantes de primer año de la universidad, encuesta de panel con retraso, chino

Cita: Han P, Wang P, Lin Q, Tian Y, Gao F y Chen Y (2017) Relación recíproca entre la adicción a Internet y la cognición maladaptativa relacionada con la red entre estudiantes de primer año de la universidad china: un análisis longitudinal desfasado. Frente. Psychol. 8: 1047. doi: 10.3389 / fpsyg.2017.01047

Recibido: 13 marzo 2017; Aceptado: 08 junio 2017;
Publicado: 22 junio 2017.

Copyright © 2017 Han, Wang, Lin, Tian, ​​Gao y Chen. Este es un artículo de acceso abierto distribuido bajo los términos de la Licencia de atribución de Creative Commons (CC BY). Se permite el uso, distribución o reproducción en otros foros, siempre que se acredite al autor o licenciantes originales y que se cite la publicación original en esta revista, de acuerdo con la práctica académica aceptada. No se permite ningún uso, distribución o reproducción que no cumpla con estos términos.