Est-il avantageux d'utiliser la communication Internet pour sortir de l'ennui? La prédisposition à l'ennui interagit avec les espoirs d'évitement et d'évitement induits par les signaux pour expliquer les symptômes de trouble de la communication Internet

https://doi.org/10.1371/journal.pone.0195742

Abstract

L'utilisation d'applications de communication en ligne, y compris des messageries (par exemple WhatsApp) ou des services de réseau social (par exemple Facebook) sur un smartphone, est devenue une pratique quotidienne pour des milliards de personnes, par exemple pendant les périodes d'attente. Un nombre croissant d'individus montre un contrôle réduit de son utilisation de ces applications malgré les conséquences négatives pour la vie quotidienne. Ceci peut être appelé trouble de communication Internet (ICD). La présente étude a examiné l'effet de la prédisposition à l'ennui sur les symptômes d'un DCI. Il a également examiné le rôle de médiation des mécanismes cognitifs et affectifs, à savoir les attentes pour éviter les sentiments négatifs en ligne et les envies induites par les signaux. Les résultats d'un modèle d'équation structurelle (N = 148) illustrent le fait que la prédisposition à l'ennui est un facteur de risque pour le développement et le maintien d'un DCI, car il a eu un effet direct important sur les symptômes du DCI. De plus, la propension à l'ennui prédisait les attentes d'évitement ainsi que le besoin impérieux de queue. Les deux à leur tour ont augmenté le risque de développer des tendances de DCI. De plus, les deux variables ont influencé l’effet de la prédisposition à l’ennui sur le DCI et ont interagi entre elles. En résumé, les résultats démontrent que les personnes plus susceptibles d’ennuyer l’ennui ont de plus grandes chances d’éviter les émotions négatives en ligne, ce qui favorise des réactions de plus en plus frénétiques lorsqu’elles sont confrontées à des signaux spécifiques (par exemple, un message entrant) et pourrait donner lieu à une tendance au DAI.

Citation: Wegmann E, Ostendorf S, Marque M (2018) Est-il avantageux d’utiliser la communication par Internet pour sortir de l’ennui? La propension à l'ennui interagit avec les espoirs d'évitement et d'évitement induits par les signaux pour expliquer les symptômes du trouble de la communication Internet. PLoS ONE 13 (4): e0195742. https://doi.org/10.1371/journal.pone.0195742

Rédacteur en chef: Phil Reed, Université de Swansea, ROYAUME-UNI

reçu: Novembre 22, 2017; Accepté: March 28, 2018; Publié le: Le 19 avril 2018

Droits d'auteur: © 2018 Wegmann et al. Ceci est un article en accès libre distribué selon les termes de la Licence Creative Commons Attribution, qui autorise une utilisation, une distribution et une reproduction sans restriction sur tout support, à condition que l'auteur et la source d'origine soient crédités.

Disponibilité des données: Toutes les données pertinentes se trouvent dans le document et ses fichiers d’informations complémentaires.

Financement: Les auteurs n'ont reçu aucun financement spécifique pour ce travail.

Intérêts concurrents: Les auteurs ont déclaré qu'ils n'existaient pas de conflit d'intérêts.

Introduction

Depuis le lancement du smartphone il y a plus de dix ans, le nombre de personnes l'utilisant au quotidien ne cesse d'augmenter. Le nombre d’utilisateurs de smartphones dans le monde devrait atteindre 2.32, qui devrait atteindre milliards de 2017, et atteindre le milliard d’utilisateurs 2.87 sur 2020 [1]. Les applications en ligne les plus populaires utilisées sur le smartphone sont, entre autres, les applications de communication en ligne. Ils permettent aux utilisateurs d’avoir un contact direct avec les autres, de rester en contact avec des amis distants et de partager des informations personnelles, des images ou des vidéos [2, 3]. Le terme «applications de communication en ligne» inclut des applications très populaires telles que le service de messagerie instantanée WhatsApp, qui compte plus de 1 milliard 1.3 utilisateurs actifs chaque mois [4] ou des services de réseaux sociaux tels que Facebook avec 2 milliards d’utilisateurs mensuels actifs [5]. Outre les nombreux avantages de la communication Internet et de l'utilisation du smartphone en général, de plus en plus de personnes subissent des conséquences négatives en raison d'une utilisation excessive et fastidieuse de ces applications [2, 6-8]. En particulier, la disponibilité de différents appareils mobiles et l'accès facile et permanent à ces applications permettent aux utilisateurs d'interagir et de communiquer avec d'autres tout au long de la journée, à tout moment et en tout lieu [9, 10]. Ce comportement peut conduire à une utilisation pathologique et compulsive, comparable à d'autres dépendances comportementales ou à des troubles liés à l'utilisation de substances telles que suggérées par diverses études et chercheurs [7, 8].

Corrélats cognitifs et affectifs du trouble de la communication Internet

L’utilisation croissante d’Internet dans le monde entier conduit la recherche à de plus en plus d’études axées sur le trouble de l’utilisation d’Internet en tant que type spécifique de dépendance au comportement [2, 7, 11]. De plus, certaines études suggèrent un type spécifique de trouble de l'utilisation d'Internet, le trouble de la communication Internet (ICD). ICD décrit l’utilisation addictive d’applications de communication en ligne [6-8, 12]. Les symptômes d’un DCI, qui dérivent des caractéristiques d’un trouble de l’utilisation d’Internet, sont définis comme une perte de contrôle, une rechute, des symptômes de sevrage, une préoccupation, un manque d’intérêt, une tolérance et des conséquences négatives pour la vie sociale, professionnelle ou personnelle [6, 7, 13, 14]. Davis [12] ont proposé le premier modèle théorique décrivant les mécanismes d'une utilisation pathologique non spécifique d'Internet ainsi que d'un trouble spécifique de l'utilisation d'Internet. Plus récemment, Brand, Young [7] a introduit un nouveau modèle théorique, le modèle I-PACE (Interaction personne-affect-cognition-exécution), qui résume les mécanismes potentiels de développement et de maintenance de troubles spécifiques de l'utilisation d'Internet, tels que le CIM. Le modèle I-PACE illustre l'interaction des caractéristiques fondamentales de la personne ainsi que des composants affectifs, cognitifs et exécutifs. Il suggère que les caractéristiques fondamentales de la personne, telles que la personnalité, les cognitions sociales, les symptômes psychopathologiques, les facteurs biopsychologiques et les prédispositions spécifiques affectent la perception subjective d'une situation. Cette perception est formée par des facteurs tels que la confrontation avec des signaux liés à la dépendance, le stress, les conflits personnels, une humeur anormale ainsi que par les réponses affectives et cognitives individuelles. Ces derniers incluent la réactivité des signaux, le besoin impérieux, le biais d’attention ou d’autres biais cognitifs liés à Internet et un style d’adaptation dysfonctionnel. Ces facteurs affectifs et cognitifs individuels sont supposés médier ou modérer l'effet des caractéristiques essentielles d'une personne sur le développement et le maintien d'un trouble spécifique de l'utilisation d'Internet. Marque jeune7] illustrent le fait que l’effet des réponses affectives et cognitives interagit avec des facteurs exécutifs, tels que le contrôle inhibiteur. La décision d’utiliser une certaine application afin d’obtenir de la gratification ou une compensation peut alors conduire à une utilisation excessive de cette application, renforçant ainsi des prédispositions spécifiques ainsi que des facteurs affectifs, cognitifs et exécutifs similaires à un cercle vicieux (pour une description plus détaillée du modèle et un aperçu détaillé des études empiriques, voir [7]).

Des études antérieures ont déjà montré que l’effet des symptômes psychopathologiques, tels que la dépression et l’anxiété sociale, et l’effet des aspects de la personnalité, tels que la vulnérabilité au stress, l’estime de soi et l’efficacité personnelle, sur les tendances d’un DCI sont médiés par des cognitions spécifiques, comme un style d’adaptation dysfonctionnel et des attentes en matière d’utilisation d’Internet [8, 15]. Wegmann, Oberst [16] ont démontré que les attentes en matière d'évitement, notamment le désir de fuir la réalité, de se distraire des problèmes de la vie réelle ou d'éviter la solitude, sont pertinentes pour expliquer les symptômes d'un DCI. Marque, Laier [17] ainsi que Trotzke, Starcke [18] ont montré que les attentes élevées vis-à-vis de l'utilisation d'applications spécifiques en tant que possibilité de faire l'expérience du plaisir ou de détourner les problèmes médiatisent la relation entre les aspects personnels et un trouble généralisé (non spécifique) de l'utilisation d'Internet ainsi qu'un trouble des achats par Internet, respectivement.

Outre le concept d'espérance d'utilisation d'Internet, Brand, Young [7] soutiennent en outre que la réactivité des signaux et le besoin impérieux semblent constituer des constructions importantes dans le développement et le maintien d'une utilisation pathologique d'applications spécifiques. Cette hypothèse est basée sur des recherches antérieures sur les troubles liés à l'utilisation de substances (voir par exemple les résultats dans [19] ainsi que d’autres dépendances comportementales [20], qui montrent que les toxicomanes sont vulnérables aux stimuli liés à la dépendance qui déclenchent des zones de traitement des récompenses dans le cerveau [21-25]. Craving décrit le désir ou le besoin de prendre de la drogue ou de manifester à plusieurs reprises un comportement provoquant une dépendance [26, 27]. Le concept de réactivité de signal et de besoin impérieux a été transféré à l’étude des dépendances comportementales. Des corrélats comportementaux de la réactivité avec le signal et du désir ont déjà été observés dans le trouble du shopping sur Internet [18], Trouble de la visionnage de la pornographie sur Internet [28, 29], Trouble du jeu sur Internet [30, 31], Trouble du jeu sur Internet [32, 33] et la CIM [34].

Bien que des études soulignent le rôle important de ces composants affectifs (réactivité de la réplique et désir) et cognitifs (attentes liées à Internet) dans le développement et le maintien d'un trouble spécifique de l'utilisation d'Internet, l'interaction de ces facteurs, qui est postulée dans le Modèle -PACE, reste floue. La présente étude est basée sur certaines des principales hypothèses du modèle I-PACE, en particulier les effets des mécanismes affectifs et cognitifs sur la relation entre les caractéristiques fondamentales de la personne et les symptômes d'une CIM. Le but de cette étude est d’étudier l’effet des caractéristiques fondamentales de la personne sur l’IID, à la fois par les biais cognitifs liés à Internet (par exemple, les attentes en matière d’utilisation d’Internet) et par les biais affectifs (par exemple, le besoin impérieux de signal). Basé sur Wegmann, Oberst [16], nous supposons que l’effet de l’attente, en utilisant des applications de communication en ligne, d’éviter les émotions négatives en utilisant des applications de communication en ligne est médiatisée par le besoin impérieux de queue, comme décrit dans le modèle de Brand, Young [7]. Le deuxième objectif de l’étude consiste à étudier le rôle de la susceptibilité à l’ennui dans le DCI. Ainsi, nous souhaiterions mieux comprendre la relation entre les caractéristiques fondamentales d'une personne et les symptômes d'un trouble d'utilisation d'Internet spécifique, qui n'a pas encore été étudiée dans le contexte de la CIM.

La prédisposition à l'ennui en tant que prédicteur d'un DCI

La conceptualisation de l’ennui est déterminée par différents facteurs situationnels et individuels [35]. L’ennui lui-même pourrait être décrit comme un état d’esprit négatif ou un conflit intérieur entre une expérience attendue et une expérience perçue [36, 37]. Brissett et Snow [38] a défini l'ennui comme un état de «sous-stimulation, sous-éveil et manque d'implication psychologique associé à de l'insatisfaction, et les individus essaient de faire face à l'ennui en recherchant une stimulation supplémentaire» [39]. Cet état est également associé à des sentiments désagréables, que les individus tentent d'échapper à [40, 41]. La propension à l'ennui est définie comme l'ennui caractéristique. La construction de la prédisposition à l'ennui est souvent «opérationnalisée comme la susceptibilité d'un individu à vivre l'ennui» [35]. En outre, la propension à l'ennui comprend la difficulté pour un individu d'attirer l'attention sur un stimulus, de prendre conscience de ce déficit d'attention et de tenter de réduire l'expérience de l'ennui en tant qu'état [35, 42].

Plusieurs études soulignent la pertinence clinique de la prédisposition à l'ennui en illustrant que l'ennui (la prédisposition) est lié à la consommation d'alcool [43], l'utilisation de substances psychoactives [44], indices de dépression et d’anxiété [35] et les problèmes de santé en général [45]. Zhou et Leung [46] a montré que l'ennui des loisirs est lié à des comportements à risque tels que la délinquance, les sensations extrêmes et la toxicomanie [36, 46, 47]. Comme explication possible du lien entre la prédisposition à l’ennui et la consommation de drogues (par exemple, consommation d’alcool), Biolcati, Passini [48] ont étudié les effets potentiels de la médiation des attentes sur la consommation d'alcool. Les résultats ont montré que l'effet de la prédisposition à l'ennui sur le comportement de consommation occasionnelle excessive d'alcool est influencé par l'espoir d'échapper à l'ennui, d'échapper aux problèmes et de faire face aux sentiments négatifs [48]. De plus, des recherches empiriques sur différentes dépendances comportementales ou comportements pathologiques expliquent la pertinence de l'ennui pour les comportements à risque. Par exemple, Blaszczynski, McConaghy [49] ont montré que les personnes souffrant de troubles du jeu avaient un score d'ennui plus élevé que les non-joueurs. Le jeu semble être une possibilité pour eux d'éviter ou de réduire les états négatifs ou les humeurs. Ceci est cohérent avec les résultats rapportés par Fortune et Goodie [50] illustrant le fait que le jeu pathologique est associé à la susceptibilité à l’ennui, qui est une sous-échelle de la forme V de Sensation Seeking Scale de Zuckerman, Eysenck [51].

Comme décrit précédemment, l'utilisation des smartphones dans la vie quotidienne résulte d'un accès facile et permanent qui permet une communication et un divertissement continus [2, 52]. Nous émettons l'hypothèse que la possibilité d'une stimulation durable entraîne une utilisation excessive et chronophage du smartphone et des applications de communication en ligne. De même, éviter les sentiments d’ennui semble être la principale motivation pour utiliser Internet [53]. Lin, Lin [37] ont montré que la prédisposition à l'ennui et une forte implication dans Internet augmentaient la probabilité d'un trouble de l'utilisation d'Internet. Les auteurs soulignent qu'Internet semble être une possibilité de rechercher l'excitation et le plaisir, ce qui élève le niveau d'utilisation pathologique. Cela concorde avec les recherches précédentes qui mettaient l'accent sur la relation entre un trouble d'utilisation d'Internet et une prédisposition accrue à l'ennui [54-56]. Zhou et Leung [46] a précisé cette relation et montré que l'ennui est un facteur prédictif d'une utilisation pathologique des sites de réseaux sociaux ainsi que du comportement de jeu pathologique dans les services de réseaux sociaux. Elhai, Vasquez [42] a montré que la prédisposition à l'ennui plus élevé atténue les effets de la dépression et de l'anxiété sur le comportement problématique des téléphones intelligents. Dans l’ensemble, nous supposons que la prédisposition à l’ennui en tant que trait est un facteur de risque personnel pour le développement d’un DCI.

Résumé des objectifs de l'étude

La présente étude vise à contribuer à une meilleure compréhension des mécanismes sous-jacents affectifs et cognitifs sous-jacents aux symptômes d’un DCI. Nos hypothèses sont basées sur des études antérieures, qui rapportaient l’effet de la prédisposition à l’ennui sur les comportements à risque tels que la toxicomanie [57], facteurs de risque pour la santé [46], jeu pathologique [50], ou trouble d'utilisation d'Internet [37, 54]. Nous supposons que les personnes qui sont plus susceptibles d'être ennuyées et qui utilisent à plusieurs reprises le smartphone comme stratégie d'adaptation inadaptée sont plus susceptibles de développer une utilisation pathologique des applications de communication en ligne. Compatible avec le modèle I-PACE de Brand, Young [7], nous émettons l’hypothèse que l’effet de la prédisposition à l’ennui est véhiculé par des cognitions spécifiques. En outre et sur la base de l’étude de Biolcati, Passini [48] nous supposons également que les personnes ayant une propension à l'ennui plus élevée ainsi que les attentes pour éviter les émotions négatives en utilisant des applications de communication en ligne subissent des conséquences plus négatives en raison de l'utilisation de telles applications. Dans un autre but, nous étudions les effets des réponses affectives et cognitives. Le modèle I-PACE suggère que l'effet des espérances d'évitement sur les symptômes du DCI est médiatisé par des expériences de besoin impérieux plus graves. Dans l’ensemble, l’effet de médiation du besoin impérieux de signal pourrait également être pertinent pour l’effet de médiation des espérances d’évitement entre la prédisposition à l’ennui et la CIM. Fig 1 résume les hypothèses dans un modèle d'équation structurelle.

thumbnail

 

Fig 1. Modèle hypothétique.

Le modèle hypothétique utilisé pour analyser les effets directs et indirects suggérés, y compris les variables latentes de la CIM.

https://doi.org/10.1371/journal.pone.0195742.g001

Méthodologie

Participants et procédure

Cent quarante-huit participants âgés entre les années 18 et 60 (M = 25.61, SD = 8.94) a participé à la présente étude. Parmi eux, 91 étaient des femmes et 57 étaient des hommes. Tous les participants étaient des utilisateurs d’applications de communication en ligne, allant de deux à 19 années d’utilisation (M = 8.09, SD = 3.09). L'application de communication en ligne WhatsApp était l'application la plus utilisée (97.97% de tous les participants), suivie de Facebook (78.38% de tous les participants), Facebook Messenger (62.84% de tous les participants) et Instagram (53.38% de tous les participants). . D'autres applications de communication en ligne, telles que Twitter, iMessage, Snapchat ou Skype, ont été utilisées par moins de 50% des participants. Les participants dépensent en moyenne 125.41 minutes (SD = 156.49) par jour en utilisant WhatsApp, suivi par Instagram (M = 57.97, SD = 78.76), Snapchat (M = 53.71, SD = 65.40) et Facebook (M = 55.48, SD = 84.74). Toutes les autres applications ont été utilisées en moyenne moins de 30 minutes par jour.

Nous avons recruté l'échantillon à l'Université de Duisburg-Essen (Allemagne) via des listes de diffusion, des réseaux sociaux en ligne et des recommandations de bouche à oreille. L'étude a été menée dans un laboratoire, cadre individuel. Premièrement, les participants ont été informés par écrit de la procédure et ont donné leur consentement par écrit. Nous leur avons demandé de passer leur smartphone en mode avion et de le garder dans leur poche pendant la participation. Par la suite, les participants ont répondu aux questionnaires en ligne et mis en œuvre un paradigme cue-réactivité ainsi que d'autres paradigmes expérimentaux non pertinents pour le manuscrit actuel. Après cela, les participants ont répondu à d’autres questionnaires en ligne, tels que l’échelle de prédiction de l’ennui, l’échelle des attentes en matière d’utilisation d’Internet ou le court test de dépendance à Internet, qui seront expliqués ci-après. Dans l’ensemble, l’étude a pris environ une heure. Les étudiants ont obtenu des points de crédit pour leur participation. Le comité d'éthique de l'université de Duisburg-Essen a approuvé l'étude.

Instruments

Version modifiée du court test de dépendance à Internet pour trouble de la communication Internet (s-IAT-ICD).

Les tendances d'un DCI ont été mesurées avec la version abrégée du test de dépendance à Internet (s-IAT) de Pawlikowski, Altstötter-Gleich [58]. Pour cette étude, nous avons utilisé la version modifiée pour ICD (s-IAT-ICD) [15]. La balance évalue les plaintes subjectives dans la vie quotidienne en raison de l'utilisation d'applications de communication en ligne. Au début, une définition des applications de communication en ligne est donnée. Les instructions soulignent que le terme applications de communication en ligne inclut l'utilisation active (par exemple, la rédaction de nouveaux messages) ainsi que l'utilisation passive (par exemple, la navigation et la lecture de nouveaux messages) de sites de réseaux sociaux et de blogs tels que Facebook, Twitter et Instagram. , ainsi que des messagers instantanés tels que WhatsApp.

Les participants doivent évaluer douze items sur une échelle de Likert à cinq points (de 1 = «jamais» à 5 = «très souvent»). Un score total a été calculé allant de douze à 60. Les scores> 30 indiquent une utilisation problématique des applications de communication en ligne, tandis que les scores> 37 indiquent une utilisation pathologique des applications de communication en ligne. Le questionnaire comprend deux facteurs (six items chacun): la perte de contrôle / gestion du temps (s-IAT-ICD 1: α = 849) et les problèmes sociaux / envie (s-IAT-ICD 2: α = 708). La cohérence interne globale était α = 842. Les deux facteurs représentent la dimension latente de la CIM dans le modèle d'équation structurelle.

Cue-réactivité et envie.

Pour étudier la réactivité de la réplique et le besoin impérieux, un paradigme de la réactivité de la réplique consistant en douze images liées à des applications de communication en ligne a été appliqué [34, 59]. Les repères visuels montraient différents smartphones affichant une conversation via différentes applications de communication en ligne. Les stimuli ont été prétestés et décrits dans une étude antérieure de Wegmann, Stodt [34]. Dans la présente étude, les participants ont évalué chaque image concernant l'éveil, la valence et le besoin d'utiliser le smartphone sur une échelle de Likert sur cinq points (de 1 = «pas d'éveil / valence / envie» à 5 = «forte excitation / valence / envie». ). Présentation® (Version 16.5, www.neurobs.com) a été utilisé pour la présentation et le classement des mémoires.

De plus, nous avons utilisé le questionnaire sur le désir d’alcool [60] modifié pour un usage sur smartphone afin d'évaluer l'état de besoin [34]. Le questionnaire a été présenté avant et après le paradigme cue-réactivité pour mesurer l'état de besoin de base (état de base DAQ-ICD), ainsi que les changements potentiels sur l'état de besoin après l'exposition aux signaux (état DAQ-ICD après l'état de besoin). Par conséquent, les participants devaient évaluer les éléments 14 (par exemple, «Utiliser le smartphone serait satisfaisant maintenant») sur une échelle de Likert en sept points (de 0 = «désaccord complet» à 6 = «accord complet»). Après avoir inversé un élément, nous avons calculé le score moyen [59]. Les consistances internes étaient α = .851 pour le besoin de ligne de base DAQ-ICD et α = .919 pour le besoin de retard DAQ-ICD. Dans les analyses suivantes, le post-craving DAQ-ICD et les évaluations du paradigme réactivité-repère ont été utilisés pour représenter la dimension latente du désir induit par le repère dans le modèle d'équation structurelle.

Version modifiée de l'échelle des attentes d'utilisation sur Internet pour la communication en ligne (IUES).

L'échelle des attentes d'utilisation d'Internet (IUES) [17] modifié pour la communication en ligne a été utilisé pour évaluer les attentes des participants en matière d'utilisation d'applications de communication en ligne [16]. Le questionnaire contient deux facteurs (six éléments chacun): le renforcement positif (par exemple, «J'utilise des applications de communication en ligne pour faire plaisir»; IUES positif: α = .838) et les attentes d'évitement (par exemple, «J'utilise des applications de communication en ligne pour me distraire des problèmes »; évitement IUES (α = .732). Les participants devaient évaluer chaque élément sur une échelle de Likert en six points (de 1 = «complètement en désaccord» à 6 = «totalement en accord»). Sur la base de recherches antérieures et d’hypothèses théoriques, seule la variable des espérances d’évitement était pertinente pour les analyses suivantes.

Échelle de prononciation de l'ennui court (BPS).

L'Échelle de prononciation de l'ennui court (BPS) de Struk, Carriere [61] a été utilisé pour évaluer la propension à l'ennui des traits. L’échelle comprend huit éléments (par exemple, «Il faut plus de stimulation pour bien démarrer que la plupart des gens»), qui ont dû être notés sur une échelle de Likert en sept points (de 1 = «complètement en désaccord» à 7 = «totalement en accord ”). Une valeur moyenne globale a été calculée. La consistance interne était α = .866.

analyses statistiques

Les analyses statistiques ont été réalisées à l'aide de SPSS 25.0 pour Windows (IBM SPSS Statistics, version 2017). Nous avons calculé les corrélations de Pearson pour tester les relations à deux variables entre deux variables. Les corrélations ont été interprétées plus en détail à l'aide de tailles d'effet. Basé sur Cohen [62], Coefficient de corrélation de Pearson r ≥ .01 indique un petit, r ≥ .03 un support, et r ≥ .05 un effet important. Les analyses par modèle d’équations structurelles (SEM) ont été calculées à l’aide de Mplus 6 [63]. Pour évaluer l'ajustement du modèle du SEM, nous avons utilisé le résidu quadratique moyen standardisé (SRMR; les valeurs <08 indiquent un bon ajustement avec les données), l'erreur quadratique moyenne d'approximation (RMSEA; les valeurs <08 indiquent un bon et <.10 un ajustement acceptable avec les données) et des indices d'ajustement comparatifs (CFI et TLI; valeurs> .90 indiquent un ajustement acceptable et> .95 indiquent un bon ajustement avec les données) [64, 65]. Nous avons également utilisé le χ2-Testez pour vérifier si les données dérivent du modèle défini. Comme étape supplémentaire pour réduire les erreurs de mesure pour le SEM, nous avons utilisé la méthode de fragmentation d’éléments pour les variables représentées sous forme de variables manifestes. Cette méthode permet de construire les dimensions latentes pour ces variables dans le SEM [66, 67]. Par conséquent, nous avons vérifié les corrélations entre les éléments de chaque échelle, puis créé deux facteurs pour les dimensions latentes de l'IUES et du BPS.

Resultats

Valeurs descriptives et statistiques multivariées

Les valeurs moyennes et les écarts-types de tous les questionnaires ainsi que les notations du paradigme réactivité-repère se trouvent dans Tableau 1. Les variables construites de la parcellisation d’item sont incluses en tant que valeurs supplémentaires. Tableau 2 montre les corrélations bivariées entre ces variables. Sur la base des scores de Pawlikowski, Altstötter-Gleich [58], Les participants à 23 ont montré une problématique et sept participants ont montré une utilisation pathologique des applications de communication en ligne, qui est associée à des plaintes subjectives dans la vie quotidienne en raison de l'utilisation de ces applications et décrit les symptômes d'un DCI.

thumbnail

 

Tableau 1. Valeurs moyennes, écarts-types et étendue des scores du s-IAT-ICD et des échelles appliquées.

https://doi.org/10.1371/journal.pone.0195742.t001

thumbnail

Télécharger :

Diaporama PowerPoint

agrandir l'image

image originale

Tableau 2. Corrélations bivariées entre les scores de l’ICD s-IAT et les échelles appliquées.

https://doi.org/10.1371/journal.pone.0195742.t002

Le modèle d'équation structurelle

Le modèle d’équation structurelle hypothétique, à un niveau latent, a montré un excellent ajustement avec les données (SRMR = .029, CFI = .986, TLI = .972, RMSEA = .063, p = .299, BIC = 3962.65). le χ2-Test a également montré un bon ajustement (χ2 = 22.25, p =. 074, χ2/ df = 1.59). Toutes les dimensions latentes définies étaient bien représentées par les variables manifestes utilisées. Dans la première étape, les résultats indiquent que la propension à l’ennui (β = .384, SE =. 096, p ≤ .001), envie induite par la queue (β = .414, SE =. 102, p ≤ .001), et les espérances d’évitement (β = .255, SE =. 109, p = .011) étaient des prédicteurs significatifs des tendances du DCI. La prédisposition à l’ennui a également eu un effet direct sur le besoin impérieux de cue (β = .411, SE =. 100, p ≤ .001) et les espérances d’évitement (β = .567, SE =. 084, p ≤ .001). En outre, les attentes en matière d’évitement constituaient un facteur de prédiction significatif du besoin impérieux induit par le signal ( SE =. 107, p = .001). L’effet de la prédisposition à l’ennui sur les symptômes d’un DCI a été provoqué par un état de manque induit par le signal (β = .170, SE =. 058, p = .003) et par anticipation d'évitement (β = .145, SE =. 063, p = .021). L’effet des espérances d’évitement sur les tendances de l’ICD était également médiatisé par le besoin impérieux de queue (β = .149, SE =. 059, p = .011). En outre, la relation entre la prédisposition à l’ennui et les symptômes d’un DCI était médiatisée par les espérances d’évitement et par le besoin impulsif induit par les indices (prédisposition aux ennuis SE =. 037, p = .021); toutefois, cette médiation n’a eu que peu d’effet. Globalement, le modèle analysé explique de manière significative 81.60% de la variance des symptômes du DCI. Fig 2 montre le modèle avec les charges factorielles, les poids β et les coefficients.

thumbnail

Télécharger :

Diaporama PowerPoint

agrandir l'image

image originale

Fig 2. Résultats du modèle d'équation structurelle.

Résultats du modèle d'équation structurelle avec ICD comme variable dépendante, y compris les chargements de facteurs sur les variables latentes décrites et les poids β correspondants, p-values ​​et résidus.

https://doi.org/10.1371/journal.pone.0195742.g002

Analyses complémentaires

Le modèle décrit précédemment était basé sur des considérations théoriques et d'autres preuves empiriques telles que les modèles d'équations structurelles de Wegmann, Stodt [15] et Wegmann et Brand [8]. Néanmoins, nous voulions par la suite contrôler le modèle pour d’autres facteurs d’influence afin de mieux comprendre les mécanismes sous-jacents d’un DCI. Le premier problème que nous avons abordé était l’association étroite entre la prédisposition à l’ennui, la dépression et l’anxiété [35, 68, 69]. Une étude en cours par Elhai, Vasquez [42] illustre que la relation entre les symptômes psychopathologiques et l'utilisation problématique du smartphone est médiée par une propension à l'ennui plus élevée. Nous avons évalué les symptômes psychopathologiques tels que la dépression (M = 0.53, SD = 0.53), sensibilité interpersonnelle (M = 0.72, SD = 0.64) et l’anxiété (M = 0.55, SD = 0.49) en utilisant le bref questionnaire d’inventaire des symptômes de Derogatis [70]. Comme les variables opérationnalisant les symptômes psychopathologiques étaient significativement corrélées aux autres variables du modèle actuel (toutes r≤ .448, tous p≤ .024), nous avons inclus les symptômes psychopathologiques (notamment la dépression, la sensibilité interpersonnelle et l'anxiété) en tant que dimension latente supplémentaire dans le modèle. Basé sur le modèle de médiation d’Elhai, Vasquez [42] nous avons vérifié si l’effet de la prédisposition à l’ennui est basé sur la construction de symptômes psychopathologiques ou si la prédisposition à l’ennui décrit un incrément statistique propre, comme cela avait été souligné dans des études antérieures [35, 42, 68].

Comme illustré dans Fig 3, les résultats indiquent que les symptômes psychopathologiques jouent un rôle crucial dans le développement et le maintien d'un DCI, ce qui est conforme aux recherches antérieures [8, 15, 42]. Cependant, la pertinence de la prédisposition à l'ennui en tant que facteur prédictif important des symptômes d'un DCI n'est pas significativement réduite après l'inclusion des symptômes psychopathologiques dans le modèle d'équation structurelle. Ceci souligne que la prédisposition à l'ennui et les symptômes psychopathologiques sont des constructions liées mais indépendantes dont les effets sur les tendances d'un DCI sont médiés par des composants cognitifs et affectifs. Les résultats du modèle d’équation structurelle supplémentaire, y compris les charges factorielles sur les variables latentes décrites et les poids β correspondants, pLes valeurs et les résidus sont résumés dans Fig 3.

thumbnail

Fig 3. Résultats du modèle d'équation structurelle supplémentaire.

Résultats du modèle d'équation structurelle avec les symptômes psychopathologiques en tant que variable prédictive supplémentaire, y compris les charges factorielles sur les variables latentes décrites et les poids β correspondants, p- valeurs et résidus (abréviations: PP = symptômes psychopathologiques, BP = prédisposition à l'ennui, AE = attentes d'évitement, CRAV = besoin impérieux, CID = trouble de la communication Internet).

https://doi.org/10.1371/journal.pone.0195742.g003

Nous avons également considéré l'âge et le sexe comme des variables potentielles susceptibles d'affecter la structure du modèle actuel. Par conséquent, nous avons d’abord calculé les corrélations entre l’âge et toutes les autres variables. Les résultats indiquent de petites corrélations (toutes r≤ -.376). Ces corrélations illustrent un schéma familier selon lequel les jeunes participants font l’objet de plaintes subjectives plus nombreuses dans la vie quotidienne en raison d’une utilisation excessive d’applications de communication en ligne. Ensuite, nous avons contrôlé nos données sur les différences entre les sexes en utilisant des comparaisons de test t pour des échantillons indépendants. Les résultats ont montré qu’il n’y avait pas de différence significative entre les hommes et les femmes (p ≥ .319). Le modèle d’équation structurelle avec analyse supplémentaire par sexe a été calculé à l’aide d’une analyse structurelle moyenne comme moyen de procéder [71]. Les indices d’ajustement du modèle d’équation structurelle indiquent un bon ajustement avec les données (CFI = .975, TLI = .961, SRMR = .060, RMSEA = .075, p = .194, BIC = 4050.63). Pour les participants hommes et femmes, nous avons trouvé des résultats similaires. Les participantes ont présenté des effets de médiation similaires à ceux illustrés dans le modèle d’équation structurelle hypothétique. Pour les hommes, nous n'avons trouvé aucun effet direct des attentes d'évitement sur les tendances d'un DCI (β = .153, SE =. 133, p = .249), aucun effet de médiation des attentes d’évitement sur la relation entre la prédisposition à l’ennui et le DAI (β = .029, SE =. 030, p = .327), et aucun effet de médiation du besoin impérieux sur la relation entre la prédisposition à l’ennui et les symptômes d’un DAI (β = .073, SE =. 065, p = .262). En raison de la petite taille des échantillons, en particulier chez les hommes, les résultats doivent être discutés avec prudence et doivent être contrôlés lors d'études ultérieures.

a lieu

Dans la présente étude, nous avons testé la validité d'un modèle théorique prenant en compte les interactions entre la prédisposition à l'ennui et les composants affectifs et cognitifs permettant d'expliquer les symptômes du DCI. Le modèle d'équation structurelle, au niveau latent, a fourni un excellent ajustement avec les données en utilisant la méthode de fragmentation des articles pour réduire les erreurs de mesure. Au total, la propension à l'ennui et les effets de médiation des composants cognitifs et affectifs, à savoir les attentes d'évitement et le besoin impérieux de queue, ont expliqué 81.60% de la variance des symptômes du DCI. Les résultats montrent que la propension à l'ennui a un effet direct sur le développement et la maintenance d'un DCI. C'était un facteur prédictif significatif des attentes pour éviter les émotions négatives et pour échapper à la réalité ainsi que pour les envies induites par les signaux. Ces composants affectifs et cognitifs ont induit l’effet de la prédisposition à l’ennui sur le DCI. Les résultats ont également mis en évidence l’interaction des médiateurs mentionnés, l’effet des espérances d’évitement sur les symptômes du DCI ayant été partiellement atténué par un état de manque induit par le signal. De plus, la médiation des attentes d'évitement sur la relation entre la prédisposition à l'ennui et les symptômes du DCI était médiée par un état de manque induit par le signal.

Les résultats corroborent l'hypothèse selon laquelle la relation entre la susceptibilité à l'expérience de l'ennui en tant que caractéristique fondamentale de la personne et l'expérience des conséquences négatives dues à un usage excessif d'applications de communication en ligne est influencée par les réponses affectives et cognitives aux stimuli externes liés au contexte. , tels que des indices visuels affichant des conversations à travers différentes applications de communication en ligne. Les résultats actuels étendent les conclusions d'études antérieures, qui démontraient déjà que les symptômes psychopathologiques (tels que la dépression ou l'anxiété sociale) et les aspects de la personnalité (tels que la vulnérabilité au stress ou l'estime de soi) avaient un effet sur les symptômes du DCI, qui dépend de cognitions spécifiques. (comme un style d’adaptation dysfonctionnel ou des attentes en matière d’utilisation d’Internet) [8, 15]. Les résultats sont cohérents avec le modèle théorique I-PACE proposé par Brand, Young [7]. Le modèle I-PACE repose essentiellement sur l'effet des caractéristiques essentielles de la personne sur la perception subjective d'une situation, par exemple lorsqu'il est confronté à des stimuli, des conflits personnels ou du stress liés à la dépendance. La perception subjectivement colorée des éléments de la situation conduit à des réponses affectives et cognitives individuelles telles que la réactivité de la réplique et l'état de manque, décrites comme le désir d'utiliser une application donnée et de réduire les états affectifs négatifs [20, 24]. Les résultats de la présente étude corroborent cette hypothèse en montrant que les participants qui sont plus susceptibles d'être ennuyés (comme l'une des caractéristiques essentielles d'une personne) ou incapables de réguler leur attention envers les stimuli [35], risquent davantage d’utiliser excessivement des applications de communication en ligne. Les résultats sont également améliorés par l’étude de Elhai, Vasquez [42] ainsi que par notre analyse complémentaire, qui souligne que des symptômes psychopathologiques tels que la dépression, la sensibilité interpersonnelle ainsi que l’anxiété pourraient conduire à une susceptibilité accrue à l’ennui et à un risque plus élevé d’utilisation pathologique d’applications de communication en ligne. Ce comportement est renforcé lorsque des individus sont confrontés à des stimuli spécifiques (liés à la communication avec un smartphone) et éprouvent le désir d'utiliser un smartphone ou une application de communication spécifique. Cela semble être une habitude automatique d’utiliser le smartphone après avoir vu une icône ou écouté le son d’un message entrant [34]. Les utilisateurs d’applications de communication en ligne ont peut-être développé une telle habitude pour tenter de faire face à des sentiments désagréables comme l’ennui et ainsi échapper ainsi à la sous-stimulation éprouvée [20, 36].

L'effet de médiation des attentes d'évitement sur la relation entre la prédisposition à l'ennui et les symptômes du DCI appuie cette hypothèse. Les résultats, similaires à ceux provoqués par les signaux induits par les signaux, démontrent que la susceptibilité à l'expérience de l'ennui conduit à espérer éviter les émotions négatives en ligne et à détourner l'attention des problèmes en utilisant un smartphone ou des applications de communication en ligne. Ceci est conforme à Biolcati, Passini [48] montrant que la relation entre la prédisposition à l'ennui et le comportement de consommation occasionnelle excessive d'alcool est médiatisée par l'espoir d'échapper à une stimulation insuffisante et à la réalité. Les auteurs supposent que les adolescents, qui sont plus enclins à s'ennuyer pendant leurs loisirs, s'attendent à fuir leurs émotions négatives en buvant de l'alcool, ce qui renforce le risque de consommation excessive d'alcool [[48]. Les comportements à risque semblent constituer un mécanisme d'adaptation inadapté, dans lequel les individus essaient de trouver des stratégies pour réduire la propension à l'ennui [35, 39, 40]. Les résultats de Biolcati, Passini [48], Biolcati, Mancini [39] et Harris [40] illustrent les principales hypothèses du modèle I-PACE, telles que l’hypothèse selon laquelle les individus tentent d’échapper aux émotions négatives ou de gérer une humeur anormale, en particulier lorsqu’ils sont confrontés à des stimuli liés à la dépendance, ce qui pourrait conduire à la décision d’utiliser une certaine application. Depuis Zhou et Leung [46] déjà décrit l’association de la prédisposition à l’ennui et du jeu dans les environnements de réseaux sociaux, les résultats actuels précisent cette relation. L’expérience de la gratification ou de la stimulation dans une situation de sous-éveil pourrait être décrite comme un facteur important qui augmente le risque d’utiliser certaines applications en ligne en raison de l’espoir de réduire à plusieurs reprises des états affectifs négatifs dans des situations similaires. Ceci est conforme aux conclusions d'une étude de neuroimagerie réalisée par Montag, Markowetz [72] qui a montré les avantages de l’utilisation de Facebook via un smartphone et de l’activation accrue du striatum ventral lorsque les utilisateurs passent du temps sur les services de réseaux sociaux.

Le deuxième objectif de l'étude était d'étudier l'interaction des réponses affectives et cognitives aux stimuli externes. Des études antérieures avaient déjà examiné la pertinence de la réactivité de la cue et du besoin impérieux [34] ainsi que les attentes d'utilisation d'Internet [8, 15] et surtout les attentes d'évitement [16] pour le développement et la maintenance d'un DAI. L’importance de ces deux concepts a déjà été démontrée pour des troubles spécifiques de l’utilisation d’Internet, tels que les troubles de l’achat sur Internet ou les achats pathologiques [18, 59], Trouble de la visionnage de la pornographie sur Internet [29], Trouble du jeu sur Internet [30, 73, 74], ou trouble généralisé (non spécifique) d'utilisation d'Internet [17]. À notre connaissance, aucune étude n’a étudié l’interaction entre les états de manque induits par les signaux et les attentes en matière d’utilisation d’Internet, comme le supposait le modèle I-PACE [7]. Les auteurs du modèle I-PACE supposent que les attentes d'utilisation d'Internet prédisent un état de manque induit par une mémoire, ce qui a un effet sur les symptômes d'un trouble spécifique d'utilisation d'Internet. Par conséquent, nous avons émis l’hypothèse que l’état de manque induit par les signaux constitue un médiateur entre les attentes d'utilisation d'Internet (principalement les attentes d'évitement) et les symptômes de DCI. L'hypothèse est corroborée par les résultats actuels. Les résultats indiquent que les composants affectifs et cognitifs interagissent les uns avec les autres, ce qui met en évidence les principaux mécanismes du modèle théorique. Les personnes ayant des connaissances spécifiques liées à Internet (par exemple, espoir de se distraire des problèmes, de fuir la réalité ou d’éviter la solitude) semblent être vulnérables aux signaux liés à la dépendance et semblent présenter des réactions de manque plus importantes. En ce qui concerne les mécanismes de renforcement proposés dans le modèle I-PACE, les individus sont supposés décider d'utiliser leurs applications de «premier choix» pour détourner l'attention de cet état négatif et faire l'expérience de la gratification ou de la compensation. Cela augmente le risque de perdre le contrôle de l'utilisation d'Internet [7]. Les résultats constituent un premier signe mettant en évidence l'interaction entre les réponses affectives et cognitives aux stimuli externes et internes. Comme il existe d’autres composantes telles que le biais d’attention et les associations implicites ainsi que la pertinence du contrôle inhibiteur et des fonctions exécutives [7], les associations entre ces facteurs doivent être examinées plus en détail. De ce fait, les futures études devraient se concentrer sur l’ICD, mais également sur d’autres troubles spécifiques de l’utilisation d’Internet.

Perspectives et implications

L'utilisation des smartphones et des applications de communication en ligne dans la vie quotidienne ne semble pas poser de problèmes en général. Pour la plupart des individus, il est courant d’utiliser le smartphone en attendant une autre personne ou le train, par exemple. Turel et Bechara [75] illustrent également la pertinence de l’impulsivité en tant que facteur de risque d’un DCI. Dans l'ensemble, les applications de communication en ligne semblent être un excellent exemple de la relation entre la prédisposition à l'ennui et une utilisation pathologique. On peut supposer que l'expérience de la gratification et de la compensation en utilisant ces applications est un mécanisme essentiel pour le processus de développement d'un DCI. Bien que les résultats soient cohérents avec les hypothèses théoriques du modèle I-PACE de Brand, Young [7], le développement de comportements addictifs de communication en ligne et de symptômes de DCI, ainsi que le rôle de la prédisposition à l'ennui et des composantes affectives et cognitives supplémentaires devraient être étudiés dans le cadre d'études longitudinales. Par conséquent, davantage de recherche, en particulier concernant les mécanismes de renforcement spécifiques, est nécessaire.

Compte tenu de ce qui précède, outre la vulnérabilité à l'ennui, les recherches devraient également porter sur la situation perçue subjectivement. Ben-Yehuda, Greenberg [76] a déjà abordé la pertinence de l'ennui d'État en tant que facteur de risque potentiel pour le développement d'une dépendance au smartphone, qui doit être étudié dans le cadre de recherches ultérieures. Cela inclut l'expérience de la sous-stimulation et de la sous-excitation en tant qu'état dépendant du contexte [38, 57]. On peut supposer que l'ennui réellement perçu est une autre explication pertinente pour laquelle les individus développent l'habitude automatique d'utiliser le smartphone dans une situation de sous-stimulation. Cela pourrait être renforcé par la gratification et la compensation expérimentées et donc augmenter la probabilité d'utiliser à nouveau le smartphone dans une situation comparable. Jusqu'à présent, les études ultérieures doivent garder à l'esprit que des facteurs liés à la situation, tels que l'humeur réelle, les conflits personnels, l'ennui expérimenté réel ou le stress ressenti, pourraient affecter les composants cognitifs et affectifs, ainsi que la décision d'utiliser une application donnée [7, 77].

Étant donné que de plus en plus de personnes subissent des conséquences négatives dans la vie quotidienne, telles que des conflits avec la famille et les amis ou des problèmes liés au travail résultant d'une utilisation incontrôlée d'Internet et de ses applications spécifiques, il existe un besoin croissant de interventions. Dans le contexte des troubles de l’utilisation d’Internet et de ses formes spécifiques, tels que le DCI, le succès de la prévention et de l’intervention est supposé dépendre principalement de la pertinence des facteurs pertinents. Compte tenu du fait que les caractéristiques personnelles peuvent être potentiellement difficiles à modifier, les interventions doivent être centrées sur les aspects modérateurs et médiateurs afin d'éviter une utilisation excessive de certaines applications Internet [7]. Dans cette étude, l'accent a été mis sur les attentes en matière de prévention des sentiments négatifs en ligne et les réactions de manque provoquées par les signaux, afin de jouer un rôle de médiateur dans le développement et la maintenance d'un DCI. S'appuyer sur des attentes spécifiques en matière d'utilisation d'Internet pour modifier des cognitions non favorables pourrait être un premier pas vers une utilisation fonctionnelle d'Internet. Les personnes qui ont de la difficulté à supporter l'ennui ou qui sont plus susceptibles de l'ennuyer devraient être formées de manière à se rendre compte qu'Internet ou l'utilisation du smartphone n'est pas le seul moyen de faire face aux situations quotidiennes impliquant une stimulation insuffisante voire des sentiments désagréables. Cet aspect est particulièrement important car le fait de s’attendre à ce que les applications de communication en ligne facilitent l’échappatoire des problèmes de la vie réelle peut alors favoriser et intensifier les réactions de manque, comme le montrent les résultats actuels, en particulier lorsque des stimuli spécifiques se produisent. Dans la vie quotidienne, de tels stimuli dans la vie quotidienne peuvent être, par exemple, le fait de voir d'autres personnes utilisant le smartphone ou de remarquer un message entrant. En fait, cela peut rendre encore plus difficile pour les individus de résister au désir d'utiliser certaines applications. Globalement, les individus peuvent alors développer un contrôle moindre sur leur utilisation d'Internet, avec des conséquences négatives. En outre, les programmes de formation permettant aux individus d’apprendre à éviter les réactions non régulées à des stimuli spécifiques devraient systématiquement réduire les tendances vis-à-vis des applications de communication en ligne dues à l’expérience éprouvée.7]. L’efficacité des méthodes de formation communes nécessite des recherches plus approfondies, en particulier pour un DCI.

Enfin, nous devons mentionner certaines limitations. L'étude a été réalisée avec un échantillon de commodité, qui n'est ni représentatif de la population ni des patients recherchant un traitement présentant un trouble de l'utilisation d'Internet. Sur la base des résultats actuels, il semble utile d’étudier l’interaction entre la prédisposition à l’ennui, le besoin impérieux et les attentes en matière d’utilisation dans d’autres échantillons, tels que les adolescents et les patients en quête de traitement. Une limitation supplémentaire est que nous nous sommes concentrés uniquement sur le DCI. Etant donné que d'autres applications Internet peuvent également être utilisées pour échapper à l'ennui ou à des sentiments négatifs, il convient de répéter l'étude avec des échantillons ayant d'autres usages de premier choix, tels que les jeux sur Internet, les achats sur Internet ou la pornographie sur Internet.

Conclusion

La présente étude visait à examiner les hypothèses théoriques relatives au développement et à la maintenance d'un DCI. Sur la base du modèle I-PACE, l'accent a été mis sur les effets médiateurs des composants cognitifs et affectifs, à savoir les attentes d'évitement et le désir induit par les indices, sur la relation entre les caractéristiques fondamentales de la personne et les symptômes du DCI. Cette étude a examiné l’effet de la prédisposition à l’ennui en tant que variable de trait permettant de prédire les symptômes du DCI. Les résultats actuels montrent que la propension à l'ennui pourrait jouer un rôle important dans le CID. Les personnes qui sont plus susceptibles de connaître l'ennui ont de plus grandes attentes pour éviter les sentiments négatifs en utilisant des applications de communication en ligne, ce qui augmente les conséquences négatives pour la vie quotidienne. En outre, le fait d’avoir des espérances d’évitement est associé à une plus grande expérience du besoin impérieux. Cela peut être dû à une vulnérabilité potentiellement plus grande aux signaux liés à la communication Internet, ce qui complique encore davantage l'utilisation d'applications de communication en ligne. Avec ces résultats, les mécanismes sous-jacents d'un DCI sont mis en relief. Les tentatives d’intervention visant à empêcher une utilisation excessive et non réglementée d’Internet et de ses applications spécifiques peuvent potentiellement être optimisées en considérant le concept de prédisposition à l’ennui et son interaction avec la réactivité de repère, le besoin impérieux et les attentes.

Renseignements à l'appui

S1 File.sav

 

A

B

C

E

F

G

H

I

J

K

L

M

N

O

P

Q

1

Tableau: liste de données                

2

sexeâgesiatcom_gsiatcom1siatcom2Ver_RADAQPostBPS_moyIUE_SNneIUEco_a1IUEco_a2BPS_1BPS_2BSI_UiSkBSI_DeprBSI_AengBSI_Aggr

3

224.0000000000016.009.007.0043.791.882.251.003.501.752.00.50.00.17.20

4

223.0000000000036.0026.0010.0032.004.752.503.002.004.255.251.501.17.33.20

5

227.0000000000019.0013.006.001.003.631.752.501.003.254.00.25.33.17.20

6

227.0000000000019.0011.008.0042.004.253.754.503.004.504.00.75.831.17.60

7

228.0000000000023.0014.009.0022.572.882.753.002.502.253.501.00.831.171.00

8

222.0000000000012.006.006.001.211.132.503.002.001.001.25.00.00.17.40

9

222.0000000000033.0018.0015.0032.363.503.002.503.503.753.25.00.33.50.60

10

220.0000000000048.0026.0022.0034.505.383.003.003.005.255.50.00.17.00.00

11

218.0000000000025.0015.0010.002.362.754.754.505.002.503.00.75.33.331.00

12

254.0000000000012.006.006.001.002.002.502.003.002.501.50.25.00.00.60

13

221.0000000000033.0021.0012.0021.144.003.002.503.503.254.75.00.67.50.40

14

226.0000000000019.0013.006.001.933.131.502.001.003.502.75.00.17.33.60

15

224.0000000000022.0014.008.001.932.382.001.502.502.252.501.75.00.50.40

16

221.0000000000021.0013.008.0021.142.883.504.003.003.502.253.001.671.33.60

17

226.0000000000026.0015.0011.0022.294.132.252.502.004.753.50.50.50.33.20

18

223.0000000000032.0019.0013.0021.074.634.504.504.504.754.50.00.33.17.40

19

257.0000000000012.006.006.001.001.751.251.501.001.751.75.75.50.00.00

20

221.0000000000021.0010.0011.002.003.383.002.503.503.503.25.50.00.171.00

21

249.0000000000012.006.006.001.001.381.001.001.001.751.00.50.171.001.20

22

242.0000000000014.008.006.001.001.381.001.001.001.501.25.00.00.17.00

23

222.0000000000033.0022.0011.0032.143.134.505.503.503.502.75.50.33.67.20

24

221.0000000000031.0018.0013.0021.432.501.502.001.002.003.00.00.50.17.40

25

223.0000000000030.0022.008.002.931.003.253.503.001.001.00.50.17.17.20

26

228.0000000000023.0017.006.001.141.632.252.002.502.001.25.25.33.17.40

27

232.0000000000027.0014.0013.001.642.752.503.501.503.252.25.501.00.17.20

28

226.0000000000016.007.009.001.211.001.001.001.001.001.00.00.00.83.20

29

237.0000000000028.0016.0012.0022.003.503.003.003.003.503.501.501.171.501.00

30

229.0000000000019.0011.008.0032.003.882.753.502.003.504.25.251.83.00.20

31

220.0000000000039.0022.0017.0022.004.133.503.503.504.503.751.25.33.331.80

32

234.0000000000014.008.006.001.931.753.253.003.501.502.00.50.00.33.00

33

224.0000000000020.0012.008.002.431.631.001.001.001.751.50.25.00.00.40

34

226.0000000000035.0020.0015.0021.795.882.503.002.005.756.003.001.331.332.40

35

224.0000000000031.0016.0015.0032.713.384.254.504.003.503.25.25.33.00.20

36

223.0000000000034.0020.0014.0032.363.754.755.504.003.753.75.50.33.50.00

37

222.0000000000023.0013.0010.0022.362.502.753.002.503.751.25.50.33.33.60

38

226.0000000000020.0013.007.0021.361.752.251.503.002.251.25.00.50.67.00

39

218.0000000000019.0012.007.001.792.501.501.501.503.501.50.00.17.17.20

40

228.0000000000020.0013.007.001.214.254.254.504.005.003.501.00.33.50.60

41

227.0000000000028.0019.009.001.143.003.002.503.502.753.25.75.50.17.40

42

250.0000000000014.008.006.001.141.001.751.502.001.001.00.25.17.17.00

43

223.0000000000028.0021.007.0021.791.632.002.501.501.751.50.50.17.50.20

44

227.0000000000029.0014.0015.0012.642.382.252.002.503.251.501.75.331.171.00

45

221.0000000000026.0015.0011.0021.712.883.252.504.003.752.00.50.17.67.40

46

234.0000000000022.0011.0011.0011.211.752.252.002.502.001.50.00.00.33.00

47

231.0000000000014.008.006.001.001.251.001.001.001.251.25.00.00.17.20

48

227.0000000000025.0012.0013.001.213.631.751.502.004.253.00.75.67.33.80

49

221.0000000000033.0023.0010.001.713.134.004.004.002.753.501.501.831.171.40

50

220.0000000000020.0010.0010.001.001.632.502.003.001.751.50.00.17.17.20

figuePartager

 

Télécharger

Jeu de données_PoNE-D-17-41307R2.sav.

Ce fichier est l'ensemble de données de l'étude en cours et contient toutes les variables et informations pour les analyses effectuées.

(SAV)

Fichier S1. Jeu de données_PoNE-D-17-41307R2.sav.

Ce fichier est l'ensemble de données de l'étude en cours et contient toutes les variables et informations pour les analyses effectuées.

https://doi.org/10.1371/journal.pone.0195742.s001

(SAV)

Bibliographie

  1. 1. Statista. Nombre d'utilisateurs de smartphones dans le monde entier, de 2014 à 2020 (en milliards) 2017 [cité 2017 22 / 11 / 2017].
  2. 2. DJ Kuss, MD Griffiths. Réseaux sociaux en ligne et toxicomanie: examen de la littérature psychologique. Revue internationale de recherche environnementale et de santé publique. 2011; 8: 3528 – 52. pmid: 22016701
  3. 3. Amichai-Hamburger Y, Vinitzky G. Utilisation du réseau social et personnalité. Ordinateurs dans le comportement humain. 2010; 26 (6): 1289 – 95.
  4. Voir l'article
  5. Google Scholar
  6. 4. Statista. Nombre d'utilisateurs actifs mensuels de WhatsApp dans le monde entier d'avril 2013 à juillet 2017 (en millions) 2017 [cité 2017 22 / 11 / 2017].
  7. 5. Statista. Nombre d'utilisateurs actifs de Facebook par mois dans le monde au 3rdrd quarter 2017 (en millions) 2017 [cité 2017 22 / 11 / 2017].
  8. Voir l'article
  9. PubMed / NCBI
  10. Google Scholar
  11. Voir l'article
  12. PubMed / NCBI
  13. Google Scholar
  14. Voir l'article
  15. PubMed / NCBI
  16. Google Scholar
  17. Voir l'article
  18. PubMed / NCBI
  19. Google Scholar
  20. Voir l'article
  21. Google Scholar
  22. Voir l'article
  23. PubMed / NCBI
  24. Google Scholar
  25. Voir l'article
  26. Google Scholar
  27. Voir l'article
  28. PubMed / NCBI
  29. Google Scholar
  30. Voir l'article
  31. Google Scholar
  32. Voir l'article
  33. PubMed / NCBI
  34. Google Scholar
  35. Voir l'article
  36. PubMed / NCBI
  37. Google Scholar
  38. Voir l'article
  39. Google Scholar
  40. Voir l'article
  41. PubMed / NCBI
  42. Google Scholar
  43. Voir l'article
  44. PubMed / NCBI
  45. Google Scholar
  46. Voir l'article
  47. Google Scholar
  48. Voir l'article
  49. PubMed / NCBI
  50. Google Scholar
  51. Voir l'article
  52. PubMed / NCBI
  53. Google Scholar
  54. Voir l'article
  55. PubMed / NCBI
  56. Google Scholar
  57. Voir l'article
  58. Google Scholar
  59. Voir l'article
  60. PubMed / NCBI
  61. Google Scholar
  62. Voir l'article
  63. PubMed / NCBI
  64. Google Scholar
  65. Voir l'article
  66. PubMed / NCBI
  67. Google Scholar
  68. Voir l'article
  69. PubMed / NCBI
  70. Google Scholar
  71. Voir l'article
  72. PubMed / NCBI
  73. Google Scholar
  74. Voir l'article
  75. PubMed / NCBI
  76. Google Scholar
  77. Voir l'article
  78. PubMed / NCBI
  79. Google Scholar
  80. Voir l'article
  81. PubMed / NCBI
  82. Google Scholar
  83. Voir l'article
  84. PubMed / NCBI
  85. Google Scholar
  86. Voir l'article
  87. Google Scholar
  88. Voir l'article
  89. Google Scholar
  90. Voir l'article
  91. Google Scholar
  92. Voir l'article
  93. PubMed / NCBI
  94. Google Scholar
  95. Voir l'article
  96. Google Scholar
  97. Voir l'article
  98. PubMed / NCBI
  99. Google Scholar
  100. Voir l'article
  101. Google Scholar
  102. Voir l'article
  103. Google Scholar
  104. Voir l'article
  105. Google Scholar
  106. Voir l'article
  107. PubMed / NCBI
  108. Google Scholar
  109. Voir l'article
  110. Google Scholar
  111. Voir l'article
  112. PubMed / NCBI
  113. Google Scholar
  114. Voir l'article
  115. Google Scholar
  116. Voir l'article
  117. Google Scholar
  118. Voir l'article
  119. PubMed / NCBI
  120. Google Scholar
  121. Voir l'article
  122. PubMed / NCBI
  123. Google Scholar
  124. Voir l'article
  125. PubMed / NCBI
  126. Google Scholar
  127. Voir l'article
  128. PubMed / NCBI
  129. Google Scholar
  130. Voir l'article
  131. PubMed / NCBI
  132. Google Scholar
  133. Voir l'article
  134. PubMed / NCBI
  135. Google Scholar
  136. Voir l'article
  137. Google Scholar
  138. Voir l'article
  139. Google Scholar
  140. Voir l'article
  141. Google Scholar
  142. Voir l'article
  143. PubMed / NCBI
  144. Google Scholar
  145. Voir l'article
  146. Google Scholar
  147. Voir l'article
  148. PubMed / NCBI
  149. Google Scholar
  150. Voir l'article
  151. Google Scholar
  152. Voir l'article
  153. PubMed / NCBI
  154. Google Scholar
  155. 6. Young KS, Pistner M, O'Mara J, Buchanan J. Cyber ​​troubles: Le problème de la santé mentale pour le nouveau millénaire. Cyberpsychologie et comportement. 1999; 2: 475–9. pmid: 19178220
  156. 7. Marque M, Jeune KS, C Laier, K Wölfling, Potenza, MN. Intégration de considérations psychologiques et neurobiologiques concernant le développement et la maintenance de troubles spécifiques de l’utilisation d’Internet: modèle I-PACE (interaction entre personne, affect, cognition et exécution). Neuroscience and Biobehavioral Reviews. 2016; 71: 252 – 66. pmid: 27590829
  157. 8. Wegmann E, Brand M. Trouble de la communication Internet: il s’agit d’aspect social, de capacité d’adaptation et d’espérance d’utilisation d’Internet. Frontières en psychologie. 2016; 7 (1747): 1 – 14. pmid: 27891107
  158. Voir l'article
  159. Google Scholar
  160. Voir l'article
  161. PubMed / NCBI
  162. Google Scholar
  163. Voir l'article
  164. Google Scholar
  165. Voir l'article
  166. PubMed / NCBI
  167. Google Scholar
  168. Voir l'article
  169. Google Scholar
  170. 9. Choi SW, Kim DJ, Choi JS, Choi EJ, Song WY, Kim S, et al. Comparaison des facteurs de risque et de protection associés à la dépendance au smartphone et à la dépendance à Internet. Journal of Behavioral Addictions. 2015; 4 (4): 308 – 14. pmid: 26690626
  171. Voir l'article
  172. PubMed / NCBI
  173. Google Scholar
  174. Voir l'article
  175. PubMed / NCBI
  176. Google Scholar
  177. Voir l'article
  178. PubMed / NCBI
  179. Google Scholar
  180. Voir l'article
  181. PubMed / NCBI
  182. Google Scholar
  183. Voir l'article
  184. Google Scholar
  185. Voir l'article
  186. Google Scholar
  187. Voir l'article
  188. PubMed / NCBI
  189. Google Scholar
  190. 10. C Montag, K Blaszkiewicz, R Sariyska, B Lachmann, Andone I, B Trendafilov, et al. L'utilisation du smartphone au 21st siècle: Qui est actif sur WhatsApp? BMC Research Notes. 2015; 8: 1 – 6.
  191. 11. Brand M, Young KS, Laier C. Contrôle préfrontal et dépendance à Internet: Modèle théorique et revue des résultats de neuropsychologie et de neuroimagerie. Frontiers in Neuroscience Humaine. 2014; 8 (375): 1 – 36. pmid: 24904393
  192. 12. Davis RA. Un modèle cognitivo-comportemental de l'utilisation pathologique de l'Internet. Ordinateurs dans le comportement humain. 2001; 17: 187 – 95.
  193. 13. Spada MM. Un aperçu de l'utilisation problématique d'Internet. Comportements provoquant une dépendance. 2014; 39: Epub en avance sur l'impression. 3 – 6. pmid: 24126206
  194. 14. Billieux J, P Maurage, O Lopez-Fernandez, DJ Kuss, MD Griffiths. L'utilisation désordonnée du téléphone portable peut-elle être considérée comme une dépendance comportementale? Une mise à jour sur les preuves actuelles et un modèle complet pour les recherches futures. Rapports de toxicomanie actuels. 2015; 2 (2): 156 – 62.
  195. 15. Wegmann E, Stodt B, Marque M. L'usage addictif de sites de réseautage social peut s'expliquer par l'interaction des attentes en matière d'utilisation d'Internet, de sa maîtrise de l'Internet et des symptômes psychopathologiques. Journal of Behavioral Addictions. 2015; 4 (3): 155 – 62. pmid: 26551905
  196. 16. Wegmann E, Oberst U, Stodt B, Brand M. La peur spécifique de la ligne en ligne et l'espérance d'utilisation d'Internet contribuent aux symptômes du trouble de la communication Internet. Rapports sur les comportements provoquant une dépendance. 2017; 5: 33 – 42. pmid: 29450225
  197. 17. Marque M, Laier C, Young KS. Dépendance à Internet: styles d'adaptation, attentes et implications du traitement. Frontières en psychologie. 2014; 5: 1 – 14.
  198. 18. Trotzke P, K Starcke, A Müller, Marque M. L'achat pathologique en ligne en tant que forme spécifique de dépendance à Internet: Une enquête expérimentale basée sur un modèle. PLoS ONE. 2015; 10 (10): e0140296. pmid: 26465593
  199. 19. Sayette MA. Le rôle de l’état de besoin dans les troubles liés aux substances: questions théoriques et méthodologiques. Revue annuelle de psychologie clinique. 2016; 12: 407 – 33. pmid: 26565121.
  200. 20. Hormes JM. La signification clinique du besoin impérieux dans les comportements de dépendance: une revue. Rapports de toxicomanie actuels. 2017; 4 (2): 132 – 41.
  201. 21. Bechara A. Prise de décision, maîtrise des impulsions et perte de volonté de résister aux drogues: perspective neurocognitive. Neuroscience de la nature. 2005; 8: 1458 – 63. pmid: 16251988
  202. 22. Carter BL, Tiffany ST. Méta-analyse de la réactivité de signal dans la recherche sur la toxicomanie. Dépendance. 1999; 94: 327 – 40. pmid: 10605857
  203. 23. Skinner MD, Aubin HJ. La place de Craving dans la théorie de la dépendance: Contributions des principaux modèles. Neuroscience and Biobehavioral Reviews. 2010; 34: 606 – 23. pmid: 19961872
  204. 24. Drummond DC. Théories du besoin de drogue, anciennes et modernes. Dépendance (Abingdon, Angleterre). 2001; 96: 33 – 46.
  205. 25. Schiebener J, C Laier, marque M. Vous êtes pris au piège de la pornographie? La surutilisation ou la négligence des signaux cybersexe dans une situation multitâche est liée aux symptômes de la dépendance au cybersexe. Journal of Behavioral Addictions. 2015; 4 (1): 14 – 21. pmid: 25786495
  206. 26. Niu GF, Sun XJ, Subrahmanyam K, Kong FC, Tian Y, Zhou ZK. Cue désir induit pour Internet parmi les accros à Internet. Comportements provoquant une dépendance. 2016; 62: 1 – 5. pmid: 27305097
  207. 27. Tiffany ST, Wray JM. La signification clinique de la soif de drogue. Annales de l'Académie des sciences de New York. 2012; 1248: 1 – 17. pmid: 22172057
  208. 28. Snagowski J, Marque M. Les symptômes de la dépendance au cybersexe peuvent être liés à la fois aux approches de prévention de la pornographie et à leur prévention: résultats d'un échantillon analogique d'utilisateurs réguliers de cybersexe. Frontières en psychologie. 2015; 6: 653. pmid: 26052292
  209. 29. Laier C, Pawlikowski M, J Pekal, Schulte FP, marque M. Dépendance au cybersexe: une excitation sexuelle expérimentée lorsque je regarde de la pornographie et des contacts sexuels non réels font la différence. Journal of Behavioral Addictions. 2013; 2: 100 – 7. pmid: 26165929
  210. 30. Thalemann R, K Wölfling, Grüsser SM. Réactivité de signal spécifique sur les signaux liés au jeu informatique chez les joueurs excessifs. Neuroscience comportementale. 2007; 121: 614 – 8. pmid: 17592953
  211. 31. Liu L, Yip SW, Zhang JT, Wang LJ, Shen ZJ, Liu B et al. Activation du striatum ventral et dorsal lors de la réactivité du signal dans le trouble du jeu sur Internet. Biologie de la dépendance. 2017; 3 (2): 791 – 801. pmid: 26732520.
  212. 32. Park CB, Park SM, AR Gwak, Sohn BK, Lee JY, Jung HY et al. L'effet de l'exposition répétée à des indices de jeu virtuels sur l'envie de jouer. Comportements provoquant une dépendance. 2015; 41: 61 – 4. pmid: 25306387
  213. 33. Fernie BA, Caselli G., Giustina L., Donato G., Marcotriggiani A., Spada MM. Désir pensant comme un prédicteur du jeu. Comportements provoquant une dépendance. 2014; 39: 793 – 6. pmid: 24531634
  214. 34. Wegmann E, Stodt B, Brand M. Envie induite par le signal dans le trouble de la communication Internet en utilisant des indices visuels et auditifs dans un paradigme de réactivité de repère. Recherche et théorie sur la toxicomanie. 2017: Publication électronique avant l'impression.
  215. 35. LePera N. Relations entre prédisposition à l'ennui, pleine conscience, anxiété, dépression et toxicomanie. Le nouveau bulletin de psychologie scolaire. 2011; 8 (2): 15 – 23.
  216. 36. Iso-Ahola SE, Weissinger E. Perceptions de l'ennui dans les loisirs: Conceptualisation, fiabilité et validité de l'échelle de l'ennui des loisirs. Journal of Leisure Research. 1990; 22 (1): 1 – 17.
  217. 37. Lin CH, Lin SL, Wu CP. Les effets de la surveillance parentale et de l'ennui des loisirs sur la dépendance à Internet des adolescents. Adolescence. 2009; 44 (176): 993 – 1004. Epub 2009 / 01 / 01. pmid: 20432612.
  218. 38. Brissett D, Snow RP. Ennui: Où l'avenir n'est pas. Interaction symbolique. 1993; 16 (3): 237 – 56.
  219. 39. Biolcati R, G Mancini, Trombini E. Tendance à l'ennui et comportements à risque pendant le temps libre des adolescents. Rapports psychologiques. 2017: 1 – 21. Epub 2017 / 08 / 05. pmid: 28776483.
  220. 40. Harris MB. Corrélats et caractéristiques de la propension à l'ennui et de l'ennui. Journal de psychologie sociale appliquée. 2000; 30 (3): 576 – 98.
  221. 41. Mikulas WL, Vodanovich SJ. L'essence de l'ennui. Le dossier psychologique. 1993; 43 (1): 3 – 12.
  222. 42. JD Elhai, JK Vasquez, SD Lustgarten, Levine JC, Hall BJ. La prédisposition à l'ennui sert de médiateur aux relations entre l'utilisation problématique du smartphone avec la dépression et la gravité de l'anxiété. Revue informatique en sciences sociales. 2017: 1 – 14.
  223. 43. Wiesner M, Windle M, Freeman A. Stress au travail, consommation de substances psychoactives et dépression chez les jeunes travailleurs adultes: examen du modèle de l'effet principal et de l'effet modérateur. Journal de psychologie de la santé au travail. 2005; 10 (2): 83 – 96. pmid: 15826220.
  224. 44. Anshel MH. Une enquête auprès d'athlètes d'élite sur les causes perçues de l'utilisation de drogues interdites dans le sport. Journal of Sport Behavior. 1991; 14 (4): 283 – 310.
  225. 45. Thackray RI. Le stress de l'ennui et de la monotonie: prise en compte des preuves. Médecine psychosomatique. 1981; 43 (2): 165 – 76. pmid: 7267937.
  226. 46. Zhou SX, Leung L. La gratification, la solitude, l'ennui des loisirs et l'estime de soi en tant que prédicteurs de la dépendance au jeu de type SNS et du modèle d'utilisation par les étudiants chinois. Revue Internationale de Cyber ​​Comportement, Psychologie et Apprentissage. 2012; 2 (4): 34 – 48.
  227. 47. Caldwell LL, Smith EA. Les comportements de santé des jeunes loisirs aliénés. Loisir et Société / Société et loisirs. 1995; 18 (1): 143 – 56.
  228. 48. Biolcati R, S Passini, Mancini G. «Je ne supporte pas l'ennui.» Espérance de consommation excessive d'alcool à l'adolescence. Rapports sur les comportements provoquant une dépendance. 2016; 3 (Supplément C): 70 – 6. pmid: 29532002
  229. 49. Blaszczynski A, N McConaghy, Frankova A. La prédiction de l'ennui dans le jeu pathologique. Rapports psychologiques. 1990; 67 (1): 35 – 42. Epub 1990 / 08 / 01. pmid: 2236416.
  230. 50. Fortune EE, Goodie AS. La relation entre le jeu pathologique et la recherche de sensations: le rôle des scores de sous-échelle. Journal of Gambling Studies. 2010; 26 (3): 331 – 46. pmid: 19943092.
  231. 51. Zuckerman M, Eysenck S, Eysenck HJ. Recherche de sensations en Angleterre et en Amérique: comparaisons interculturelles, d'âge et de sexe. Journal de consultation et de psychologie clinique. 1978; 46 (1): 139 – 49. Epub 1978 / 02 / 01. pmid: 627648.
  232. 52. Neubaum G, NC Krämer. Mes amis juste à côté de moi: une étude en laboratoire sur les prédicteurs et les conséquences de la proximité sociale sur les sites de réseaux sociaux. Cybersychologie, comportement et réseaux sociaux. 2015; 18 (8): 443 – 9. pmid: 26252929
  233. 53. Lin CH, Yu SF. Utilisation d'Internet par les adolescents à Taiwan: Exploration des différences entre les sexes. Adolescence. 2008; 43 (170): 317 – 31. pmid: 18689104.
  234. 54. Rahmani S, MG Lavasani. La relation entre la dépendance à Internet avec la recherche de sensations et la personnalité. Procedia - Sciences sociales et comportementales. 2011; 30 (Supplément C): 272 – 7.
  235. 55. Député de Chaney, Chang CY. Un trio de turmoi pour les hommes sexuellement dépendants d'Internet qui ont des relations sexuelles avec des hommes: tendance à l'ennui, connectivité sociale et dissociation. Dépendance sexuelle et compulsivité. 2005; 12 (1): 3–18.
  236. 56. Velezmoro R, Lacefield K, Roberti JW. Stress perçu, recherche de sensations et abus d'Internet par les étudiants. Ordinateurs dans le comportement humain. 2010; 26 (6): 1526 – 30.
  237. 57. Weybright EH, LL Caldwell, Ram N, EA EA, Wegner L. Ennui enclin ou rien à faire? Faire la distinction entre l’ennui lié aux loisirs de lois et aux plaisirs de l’état et son association avec la consommation de substances chez les adolescents sud-africains. Sciences du loisir. 2015; 37 (4): 311 – 31. pmid: 26085700.
  238. 58. Pawlikowski M, Altstötter-Gleich C, Marque M. Validation et propriétés psychométriques d'une version abrégée du test de dépendance à Internet de Young. Ordinateurs dans le comportement humain. 2013; 29: 1212 – 23.
  239. 59. Trotzke P, Starcke K, Pedersen A, Marque M. Manque induite par l'achat de médicaments pathologiques: Preuves empiriques et implications cliniques. Médecine psychosomatique. 2014; 76 (9): 694 – 700. pmid: 25393125.
  240. 60. Love A, James D, Willner P. Une comparaison de deux questionnaires sur l’alcoolisme. Dépendance (Abingdon, Angleterre). 1998; 93 (7): 1091 – 102.
  241. 61. Struk AA, Carriere JS, Cheyne JA, Danckert J. Échelle de prononciation. Évaluation. 2015; 24 (3): 346 – 59. pmid: 26467085.
  242. 62. Cohen J. Analyse statistique du pouvoir pour les sciences du comportement. 2 ed. Hillsdale, NJ: Erlbaum; 1988.
  243. 63. Muthén L, Muthén B. MPlus. Los Angeles: Muthén et Muthén; 2011.
  244. 64. Hu L, Bentler PM. Évaluation de l'ajustement du modèle. Dans: Hoyle RH, éditeur. Equation structurelle modélisation des concepts et des applications. Londres: Sage Publications, Inc; 1995. p. 76 – 99.
  245. 65. Hu L, Bentler PM. Critères de coupure pour les indices d'ajustement dans l'analyse de la structure de covariance: critères conventionnels versus nouvelles alternatives. Modélisation d'équations structurelles: une revue multidisciplinaire. 1999; 6: 1 – 55.
  246. 66. HW Marsh, O Ludtke, B Nagengast, AJ Morin, Von Davier M. Pourquoi les colis ne sont (presque) jamais appropriés: Deux erreurs ne donnent pas raison - masquer une erreur de spécification avec des colis dans des modèles CFA. Méthodes psychologiques. 2013; 18 (3): 257 – 84. pmid: 23834417.
  247. 67. Little TD, WA Cunningham, Shahar G, Widaman KF. Pour coliser ou pour ne pas coliser: Explorer la question, peser le fond. Modélisation d'équations structurelles: une revue multidisciplinaire. 2002; 9 (2): 151 – 73.
  248. 68. Sommers J, Vodanovich SJ. Tendance à l'ennui: sa relation avec les symptômes psychologiques et de santé physique. Journal de psychologie clinique. 2000; 56 (1): 149 – 55. Epub 2000 / 02 / 08. pmid: 10661377.
  249. 69. Gordon A, Wilkinson, R, McGown, A, Jovanoska, S. Les propriétés psychométriques de l’échelle de prédiction de l’ennui: examen de sa validité. Études psychologiques. 1997; 42 (2 – 3): 85 – 97.
  250. 70. Derogatis LR. BSI Brief Symptom Inventory: manuel d'administration, de scoring et de procédures. 1993. Epub Troisième Edit.
  251. 71. Dimitrov DM. Comparaison de groupes sur des variables latentes: approche de modélisation par équation structurelle. Travail (lecture, messe). 2006; 26 (4): 429 – 36. Epub 2006 / 06 / 22. pmid: 16788262.
  252. 72. C Montag, Markowetz A, K Blaszkiewicz, Andone I, Lachmann B, Sariyska R, et al. Utilisation de Facebook sur les smartphones et volume de matière grise du noyau accumbens. Recherche comportementale sur le cerveau. 2017; 329: 221 – 8. pmid: 28442353.
  253. 73. Ko CH, Liu GC, Yen JY, Chen CY, Yen CF, Chen CS. Le cerveau est en corrélation avec le besoin impérieux de jeux en ligne sous exposition ciblée chez les sujets ayant une dépendance à Internet et chez les sujets réprimés. Biologie de la dépendance. 2013; 18: 559 – 69. pmid: 22026537
  254. 74. Ko CH, Liu GC, Yen JY, Yen CF, Chen CS, Lin WC. Les activations cérébrales à la fois pour le jeu induit par la réplique et l’envie de fumer chez les sujets comorbides avec la dépendance au jeu sur Internet et la dépendance à la nicotine. Journal of Psychiatric Research. 2013; 47 (4): 486 – 93. pmid: 23245948
  255. 75. Turel O, Bechara A. Effets de l'impulsivité motrice et de la qualité du sommeil sur les comportements de jurons, de déviances sur le plan interpersonnel et de comportements défavorables sur les sites de réseaux sociaux en ligne. Personnalité et différences individuelles. 2017; 108: 91 – 7.
  256. 76. Ben-Yehuda L, Greenberg L, Weinstein A. Dépendance à Internet en utilisant les relations de smartphone entre la dépendance à Internet, la fréquence d'utilisation des smartphones et le regard d'esprit des étudiants et étudiantes. Journal of Reward Deficiency Syndrome & Addiction Science. 2016.
  257. 77. MP Tavolacci, J Ladner, S Grigioni, L Richard, Villet H, Dechelotte P. Prévalence et association du stress perçu, de la toxicomanie et des dépendances comportementales: étude transversale réalisée auprès d'étudiants universitaires en France, 2009 – 2011. BMC santé publique. 2013; 13: 724. pmid: 23919651.