Prévalence et facteurs d'auto-correction chez les élèves du secondaire de Hong Kong qui sont des cas auto-évalués de dépendance à Internet (2017)

Lau, JT, Wu, A., Cheng, KM, Tse, VW, Lau, M., et Yang, X. (2017).

Santé mentale des enfants et des adolescents.

  • DOI: 10.1111 / camh.12219  

Abstract

Contexte

La dépendance des adolescents à Internet (IA) est répandue. Aucune étude, cependant, n'a appliqué le modèle de croyance en santé (HBM) pour enquêter sur les problèmes liés à l'AI ni étudié les facteurs associés à l'intention de corriger son problème d'IA perçu (intention d'auto-correction). Ces informations facilitent la conception des interventions connexes, qui sont justifiées.

Méthodologie

Cette étude transversale a été réalisée auprès d'étudiants du secondaire chinois 9,618 à Hong Kong; 4,111 (42.7%) a autoévalué le fait qu'ils avaient une IA (cas d'AI auto-évalués); 1,145 de ces cas d'AI auto-évalués (27.9%) ont également été classés comme cas d'AI (cas d'AI concordants), leur score de Chen Internet Addiction Scale étant supérieur à 63.

Résultats

La prévalence de l'intention d'autocorrection parmi ces deux sous-échantillons n'était que de 28.2% et 34.1%, respectivement. Dans le sous-échantillon IA auto-évalué, les constructions HBM incluant la sensibilité perçue à l'IA [odds ratio ajusté (ORa) = 1.24, IC à 95% = 1.16, 1.34], la gravité perçue de l'IA (ORa = 2.28, IC à 95% = 2.09, 2.48), les avantages perçus de la réduction de l'utilisation d'Internet (ORa = 1.21, IC à 95% = 1.18, 1.24), l'auto-efficacité pour réduire l'utilisation d'Internet (ORa = 1.07, IC à 95% = 1.03, 1.11) et les incitations à agir pour réduire L'utilisation d'Internet (ORa = 1.15, IC à 95% = 1.11, 1.20) était positive, tandis que les barrières perçues pour réduire l'utilisation d'Internet (ORa = 0.95, IC à 95% = 0.94, 0.97) étaient négativement associées à l'intention d'auto-correction. Des facteurs similaires ont été identifiés dans le sous-échantillon IA concordant.

Conclusions

Une grande proportion des étudiants ont perçu qu'ils avaient une IA mais seulement un tiers d'entre eux avaient l'intention de corriger le problème. Les interventions futures pourraient envisager de modifier les concepts de HBM des élèves et de se concentrer sur le segment de l'analyse d'impact concordante avec une intention auto-corrective, car ils indiquent que des changements sont nécessaires.