Addict Behav. 2018 février 12; 81: 157-166. doi: 10.1016 / j.addbeh.2018.02.017.
Ioannidis K1, Treder MS2, Chamberlain SR1, Kiraly F3, Redden SA4, Stein DJ5, Lochner C6, Grant JE7.
Abstract
Contexte et objectifs:
L'utilisation problématique d'Internet (PIU; ou Internet Addiction) est un problème croissant dans les sociétés modernes. Il existe une connaissance limitée des variables démographiques et des activités Internet spécifiques associées à la PIU et une compréhension limitée de la manière dont la PIU devrait être conceptualisée. Notre objectif était d'identifier les activités Internet spécifiques associées à PIU et d'explorer le rôle modérateur de l'âge et du sexe dans ces associations.
METHODES:
Nous avons recruté des participants 1749 âgés de 18 et au-dessus via des publicités médiatiques dans le cadre d'une enquête Internet menée sur deux sites, l'un aux États-Unis et l'autre en Afrique du Sud. nous avons utilisé la régression de Lasso pour l'analyse.
RÉSULTATS:
Des activités Internet spécifiques étaient associées à des scores d'utilisation problématique d'Internet plus élevés, y compris la navigation générale (lasso β: 2.1), les jeux sur Internet (β: 0.6), les achats en ligne (β: 1.4), l'utilisation de sites d'enchères en ligne (β: 0.027), les réseaux sociaux réseautage (β: 0.46) et utilisation de la pornographie en ligne (β: 1.0). L'âge a modéré la relation entre la PIU et les jeux de rôle (β: 0.33), les jeux d'argent en ligne (β: 0.15), l'utilisation des sites d'enchères (β: 0.35) et les médias en continu (β: 0.35), l'âge plus avancé étant associé à un niveaux de PIU. Il n'y avait pas de preuves concluantes que le sexe et le genre × les activités Internet étaient associés à des scores d'utilisation problématique d'Internet. Le trouble déficitaire de l'attention avec hyperactivité (TDAH) et le trouble d'anxiété sociale étaient associés à des scores élevés de PIU chez les jeunes participants (âge ≤ 25, β: 0.35 et 0.65 respectivement), alors que le trouble d'anxiété généralisée (TAG) et le trouble obsessionnel-compulsif (TOC) étaient associés à des scores élevés de PIU chez les participants plus âgés (âge> 55 ans, β: 6.4 et 4.3 respectivement).
CONCLUSIONS:
De nombreux types de comportement en ligne (achats, pornographie, navigation en général, par exemple) entretiennent une relation plus étroite avec l'utilisation inadaptée d'Internet que le jeu, ce qui conforte la classification diagnostique de l'utilisation problématique d'Internet en tant que trouble à multiples facettes. En outre, les activités sur Internet et les diagnostics psychiatriques associés à une utilisation problématique d'Internet varient avec l'âge, avec des implications pour la santé publique.
MOTS-CLÉS: La dépendance comportementale; Addiction à Internet; Trouble du jeu sur Internet; Lasso; Apprentissage automatique; Utilisation d'Internet problématique
PMID: 29459201
DOI: 10.1016 / j.addbeh.2018.02.017
1
Introduction
L'utilisation problématique d'Internet (PIU, ou Internet Addiction) est un problème de santé publique dans les sociétés modernes du monde entier. L’épidémiologie de la PIU n’est toujours pas claire (
; ) avec un large éventail d'estimations de prévalence ponctuelle rapportées (1% à 36.7%), reflétant probablement non seulement les différences de population, mais aussi la diversité des outils d'évaluation et les différentes définitions opérationnelles des comportements des PIU. Le DSM-5 a mis en évidence le trouble du jeu sur Internet comme une condition pour une étude plus approfondie (), excluant spécifiquement d'autres activités basées sur Internet comme le jeu et l'utilisation des médias sociaux, malgré l'accumulation de preuves selon lesquelles l'utilisation problématique d'Internet est un problème à multiples facettes qui va au-delà des jeux en ligne (; ;). De nombreux comportements en ligne différents ont été décrits comme étant susceptibles de nuire au fonctionnement normal lorsqu'ils sont entrepris à outrance, y compris les jeux en ligne et les jeux de rôle en ligne massivement multijoueurs (;;;;;), les jeux d'argent en ligne (;), les achats en ligne (; ;), regarder de la pornographie (;;), vérifier fréquemment les courriels, messagerie instantanée (;;) et surutilisation des médias sociaux (;). Les comportements en ligne peuvent également susciter des inquiétudes pour la santé physique des individus (;) ou jeter les bases d'actes criminels (). Des caractéristiques impulsives et compulsives peuvent sous-tendre des comportements Internet problématiques (;;;;), tandis que des activités Internet spécifiques ont été liées à des troubles psychiatriques; par exemple, les achats en ligne ont été liés à la dépression et à la thésaurisation (
).
Les jeunes et les étudiants sont considérés comme les plus vulnérables pour PIU (
; ; ; ; ), mais les populations d'âge moyen et plus âgées n'ont pas fait l'objet d'études exhaustives. Le jeune âge a été associé à des achats en ligne problématiques (;). Cependant, plusieurs études ont identifié des activités Internet problématiques, notamment des achats excessifs sur Internet, chez des populations adultes (
). Dans l’ensemble, l’histoire naturelle de l’utilisation problématique d’Internet est encore inconnue et il peut exister des différences liées à l’âge dans la PIU dans son ensemble ou dans des comportements en ligne problématiques.
On a considéré que la PIU avait une prépondérance masculine (
; ) et est probablement plus répandu chez les jeunes hommes asiatiques, mais les femmes peuvent aussi être vulnérables (;). Sur le plan clinique, la majorité des études sur la PIU n'incluaient que des hommes (), et il est difficile de savoir si les populations cliniques de femmes ont peut-être été peu étudiées. Certaines études observationnelles montrent que les hommes et les femmes diffèrent dans la manière dont ils opèrent dans l'environnement en ligne en termes d'activités choisies et de conséquences négatives (;). L'utilisation excessive du chat et des médias sociaux a été associée au sexe féminin chez les jeunes étudiants (;;;; S). Le sexe féminin a également été identifié comme un facteur prédictif des achats en ligne posant problème (), mais l’inverse a également été signalé (;). Le jeu en ligne a été associé au sexe masculin (), mais des jeux de rôle en ligne massivement multijoueurs ont été rapportés dans les deux sexes (). La pornographie en ligne ainsi que les jeux d'argent en ligne seraient plus fréquents chez les hommes adultes (). Cependant, il a été avancé que le rôle du renforcement des récompenses, de la réactivité des signaux et du désir sexuel en ligne était similaire pour les deux sexes (). Les deux sexes utilisent des plates-formes particulières de médias sociaux avec un potentiel de dépendance, tels que des sites de réseautage tels que Facebook, et il a été soutenu que les femmes pourraient être particulièrement à risque (). Globalement, il peut exister des différences liées au sexe pour certains aspects de la PIU; alternativement, il se peut qu’une fois les caractéristiques / confondances cliniques et comportementales prises en compte, les deux sexes soient affectés de manière similaire (;
).
Globalement, l'utilisation problématique d'Internet, y compris la grande variété de comportements problématiques sur Internet, nécessite des enquêtes plus rigoureuses qui permettraient de déterminer quelles activités spécifiques devraient être considérées comme problématiques ou dysfonctionnelles ou contribuant de manière générale au phénomène décrit par PIU. La manière dont l'âge et le sexe modèrent la relation entre des activités Internet particulières et l'UIP a été sous-étudiée, ce qui mérite une plus grande attention.
Notre objectif était d'identifier les activités spécifiques liées à Internet statistiquement associées à la PIU et de déterminer s'il existe des interactions avec l'âge ou le sexe qui modèrent ces relations.
2
Matériel et méthodes
2.1
Réglage et mesures
Plus de détails sur le cadre et les mesures de cette étude ont également été décrits dans notre précédente publication sur PIU (
). La déclaration des méthodes pour cette étude est conforme à la directive STROBE (
). La présente étude a été réalisée à partir de janvier 2014 – Février 2015. Des individus âgés de 18 et au-dessus ont été recrutés sur deux sites: Chicago (États-Unis) et Stellenbosch (Afrique du Sud) au moyen de publicités Internet (âge moyen 29 [18 – 77]; 1119 mâles [64%]; 1285 Caucasian [73%]). Les publicités demandaient aux particuliers de participer à une enquête en ligne sur l'utilisation d'Internet. Les participants ont rempli l'enquête de manière anonyme à l'aide du logiciel Survey Monkey. L'enquête a été envoyée par le biais de Craigslist afin que seuls les participants de certains endroits soient ciblés. L'étude a été approuvée par les comités d'examen institutionnels de chaque site de recherche. Les participants ne recevaient aucune compensation pour leur participation mais étaient inscrits à une loterie aléatoire comprenant cinq prix, chacun d'une valeur comprise entre $ 50 et $ 200 aux États-Unis et trois prix entre ZAR250 et ZAR750 en Afrique du Sud.
L'enquête en ligne contenait des questions sur l'âge, le sexe, la race, le statut relationnel, l'orientation sexuelle et l'éducation de chaque individu, ainsi que diverses mesures d'activités spécifiques sur Internet. Nous avons mesuré un certain nombre d'activités Internet différentes, y compris 1) la navigation générale 2) le total des jeux sur Internet 3) les jeux de rôle en ligne (RPG) 4) les pertes de temps / jeux d'adresse (c'est-à-dire les applications sur iPod / iPad / téléphone portable, Tetris, Jewels) 5 ) Multijoueur d'action en ligne (c.-à-d. Call of Duty, Gears of War) 6) Achats en ligne 7) Sites d'enchères (c.-à-d. Ebay) 8) Jeux d'argent en ligne 9) Réseaux sociaux 10) Sports en ligne (c.-à-d. Sports fantastiques, ESPN) 11) Pornographie / sexe sur Internet 12) Messagerie / Blogging (c.-à-d. AIM, Skype) et 13) Diffusion de vidéos / médias (c.-à-d. YouTube, Hulu). L'enquête comprenait également des mesures cliniques: le test de dépendance à Internet (IAT) (
) de fournir une mesure de l’utilisation inadaptée d’Internet; sélectionner les mini-modules d’entrevue neuropsychiatrique internationale (MINI) () afin d’identifier le trouble anxieux social probable (TAS), le trouble anxieux généralisé (TAG) et le trouble obsessionnel-compulsif (TOC); la liste de contrôle des symptômes de l'échelle d'auto-évaluation du TDAH chez l'adulte (ASRS-v1.1) () pour identifier les symptômes du trouble d'hyperactivité avec déficit de l'attention (TDAH); l'inventaire de Padoue (PI) () pour identifier les tendances obsessionnelles-compulsives; et l’échelle d’impulsivité de Barratt (BIS-11) pour quantifier la personnalité impulsive (
). Les statistiques descriptives pour toutes les variables sont résumées et stratifiées par âge dans le tableau supplémentaire S1a.
L'IAT comprend des questions 20 sur les facettes de la PIU. Les scores sur l'IAT vont de 20 à 100, 20 – 49 reflétant une utilisation modérée d'Internet, 50 – 79, une utilisation modérée d'Internet et 80 – 100, une utilisation intensive d'Internet. L’IP se compose d’items 39 évaluant les comportements obsessionnels et compulsifs courants. Le BIS-11 est un questionnaire d'auto-évaluation utilisé pour déterminer les niveaux d'impulsivité.
Nous avons effectué une analyse en composantes principales (ACP) pour déterminer si quelques composantes des activités Internet pourraient expliquer une partie importante de la variance. Cependant, cette analyse a montré que nous avions besoin de plus de 11 composants sur 13 pour atteindre> 90% de variance, ce qui indique qu'une partie importante des variables des activités Internet contribue uniquement à la variance. Nous avons donc décidé d'utiliser chaque variable séparément dans notre analyse.
Seules les données des participants qui ont répondu à l'intégralité de l'enquête en ligne, y compris les mesures de l'activité sur Internet, ont été incluses dans les analyses. L'échantillon original comprenait 2551 individus. 63 personnes ont été exclues pour absence de scores IAT. 18 autres personnes ont été exclues pour avoir déclaré le sexe transgenre et 459 pour l'absence de variables prédictives importantes, par exemple les scores du questionnaire PI ou BIS. Cinq personnes ont été exclues pour avoir déclaré un âge <18 ans. 257 autres personnes ont été exclues en raison de mesures manquantes de l'activité Internet. L'ensemble complet final comprenait 1749 XNUMX personnes avec des scores complets sur toutes les variables. Cette dernière étape du processus d'exclusion explique la différence d'échantillon entre la présente étude et
. Cet ensemble complet final comprenait 1063 personnes du site de Stellenbosch et 686 personnes du site de Chicago. La prévalence ponctuelle estimée de la PIU était d'environ 8.5% en utilisant un seuil IAT de 50 ou plus. En comparant les deux populations du site d'étude, le site de Stellenbosch comptait des participants plus jeunes [moyenne (plage) 24.3 (18–76) vs 36.3 (18–77), ANOVA F <0.05, η 2 : 0.20], une plus faible proportion de sexe masculin [58% vs 73%, χ 2 <0.05, φ : 0.15], une proportion plus élevée d’orientation sexuelle hétérosexuelle [91% vs 84%, χ 2 <0.05, φ : 0.10], taux plus élevés de TDAH [50% vs 41% χ 2 <0.05, φ : 0.9], taux d'achats en ligne plus faibles [moyenne (plage) 0.48 (0–5) vs 1.27 (0–5), ANOVA F <0.05, η 2 : 0.18] et scores IAT légèrement inférieurs [moyenne (intervalle) 30.3 (20–94) vs 35.9 (20–85), ANOVA F <0.05, η 2 : 0.06]. Une comparaison plus détaillée est présentée dans le tableau supplémentaire S1b. Les processus de recrutement et d’exclusion sont présentés graphiquement dans Fig. 1 . Toutes les variables continues (c.-à-d. Le score BIS) ont été normalisées afin d'accroître l'interprétabilité des coefficients du modèle. Les méthodes de prévision utilisaient le score IAT en tant que variable numérique (plage 20 – 94, Moyenne 32.48). Toutes les analyses ont été effectuées dans la version R Studio 3.1.2. Les modèles linéaires généralisés Lasso ont été réalisés à l’aide du package “glmnet” (package glmnet version 2.0 – 5 (
)). Vous trouverez plus de détails sur le processus d'analyse dans le Supplément (annexe méthodologique).
2.2
Exploration des corrélations
Nous avons exploré les corrélations entre les variables de nos données (voir Fig. 2 ). Toutes les différentes activités Internet présentaient de faibles corrélations positives avec le score IAT (intervalle de coefficient de corrélation de Pearson de 0.23 à 0.48). Certaines corrélations positives modérées entre les variables d'activité sur Internet ont été identifiées, à savoir le total des jeux sur Internet et des RPG (r = 0.57), le total des jeux sur Internet et des jeux d'action multijoueur (r = 0.55), les achats en ligne et l'utilisation des sites d'enchères (r = 0.55), la navigation générale. et le shopping (r = 0.44), la navigation générale et les réseaux sociaux (r = 0.44), la navigation générale et les médias en continu (r = 0.44). Il y avait de faibles corrélations positives entre le sport et la pornographie (r = 0.38), le sexe masculin et le sport (r = 0.30) ou la pornographie (r = 0.39) ou le jeu multijoueur d'action (r = 0.27). Il y avait de faibles corrélations entre le jeu en ligne et l'action multijoueur (r = 0.41), le RGP (r = 0.32), les sites d'enchères (r = 0.38), le sport (r = 0.38) ou la pornographie (r = 0.39). L'impulsivité était faiblement corrélée positivement avec la navigation générale, les achats en ligne, l'utilisation de sites d'enchères, les réseaux sociaux, les médias en continu et la pornographie (0.2 ≤ r ≤ 0.3). Il y avait également une faible corrélation entre l'âge avancé et les activités d'achat (r = 0.33) ou l'utilisation de sites d'enchères (r = 0.22), et entre l'orientation sexuelle non hétérosexuelle et la pornographie (r = 0.22). Toutes les autres corrélations entre les activités Internet et l'âge, le sexe, le statut relationnel, l'orientation sexuelle, le niveau d'éducation, la race et les niveaux d'impulsivité et de compulsivité étaient très faibles (−0.2 <r <0.2).
2.3
Faire face au sur-ajustement
Pour nos méthodes statistiques, nous avons utilisé des modèles comprenant des variables démographiques (âge, race, niveau d’éducation, sexe, état de la relation, orientation sexuelle), caractéristiques cliniques (diagnostics de TDAH, de GAD, d’anxiété sociale et de TOC), dimensions comportementales connues pour être associées à PIU (impulsivité et compulsivité), activités Internet et termes d'interaction entre activités Internet × Âge ou sexe; ce dernier a été décidé pour tester l'hypothèse selon laquelle l'âge ou le sexe modérerait la relation entre les activités Internet et les scores d'utilisation problématique d'Internet. Nous avons inclus un total de variables de prédicteur 51. En incluant une pléthore de variables, nous avons cherché un modèle plus précis, tout en prenant en compte les interactions complexes entre les variables démographiques et d’activité Internet. Cependant, le fait d'avoir de nombreuses variables prédictives présente l'inconvénient de conduire à un sur-ajustement accompagné de coefficients élevés. En outre, la régression linéaire dans l'échantillon a aussi tendance à s'emboîter, en particulier dans les modèles complexes, et est fondamentalement erronée dans la prévision de nouvelles données. Il existe de nombreuses preuves des inconvénients des modèles superposés (
). Pour traiter le sur-ajustement, nous avons discuté de l’utilisation de méthodes statistiques ne faisant pas partie de l’échantillon (validation croisée) pour obtenir une estimation de l’erreur de généralisation et de prédiction du modèle (
). Nous avons exploré cette approche dans nos données actuelles lorsque nous avons utilisé une estimation à validation croisée hors échantillon de l'erreur quadratique moyenne quadratique en conjonction avec une sélection rétrograde de variables pour tester si les modèles s'améliorent en ajoutant un nombre élevé de variables dans les sous-ensembles de combinaisons possibles de prédicteurs, et nous avons vu que les modèles clairsemés (c'est-à-dire avec environ entre 13 et 16 variables) n'étaient pas inférieurs en termes de RMSE à validation croisée par rapport aux modèles plus complexes (comprenant> 16 variables). Ceci est montré dans exploratoire Fig. 3 (en haut à gauche).
2.4
Régression régularisée avec des contraintes de parcimonie
Pour les raisons mentionnées dans le paragraphe précédent, nous avons voulu utiliser une méthode de prédiction qui ne sur-ajusterait pas autant, tout en étant comparable aux méthodes statistiques classiques en termes de prédiction des scores de PIU. Il serait également intéressant que notre méthode puisse également effectuer une sélection variable (c'est-à-dire en réduisant le nombre de prédicteurs avec des coefficients non nuls), afin de faciliter l'interprétation du modèle. La régularisation, initialement conçue par Tikhonov pour résoudre des équations intégrales (
) et introduit plus tard dans la science statistique par certaines des propriétés susmentionnées voulant que la construction du modèle évolue vers la clarté et réduise le sur-ajustement (). Lasso (modèle linéaire généralisé avec maximum de vraisemblance pénalisé, connu sous le nom de régression à l'aide du facteur de rétrécissement et de sélection le moins absolu (Lasso ou LASSO ())) est une méthode de régularisation et d'analyse de régression maintenant utilisée dans les sciences médicales (;) et pouvant être utilisée modélisation de prédiction clinique en psychiatrie (RC). La régression de crête est une autre forme de régression linéaire régularisée qui réduit les coefficients en introduisant une pénalité de coefficient (). Le réseau élastique est un modèle intermédiaire entre crête et lasso et sa pénalité est contrôlée par α, qui comble le fossé entre Lasso (α = 1) et crête (α = 0). Le paramètre de réglage λ contrôle la force globale de la pénalité. Lasso utilise la pénalité L1 et l'arête utilise la pénalité L2. Contrairement à la régression de crête, la pénalité Lasso L1 a pour effet que la plupart des coefficients sont ramenés à zéro, ce qui conduit à une solution régularisée qui est rare en même temps. Par ce mécanisme, le lasso effectue une sélection variable qui peut grandement simplifier l'interprétation, en particulier si de nombreux prédicteurs sont impliqués dans le modèle. Les forêts aléatoires sont une autre méthode non standard connue pour sa grande précision et sa capacité à éviter les surajustements (
). Les forêts aléatoires sont une méthode d'apprentissage automatique qui fonctionne bien contre les dépendances non linéaires. Par conséquent, l'exploration des performances de ce modèle pourrait nous permettre de mieux comprendre les associations complexes, parfois «masquées».
2.5
Méthodes de prévision
Pour choisir le modèle approprié dans notre analyse, nous avons comparé les modèles de régression linéaire, de régression de crête, de réseau élastique, de Lasso et de forêt aléatoire les uns avec les autres et à une ligne de base naïve, en utilisant une estimation hors échantillon validée de RMSE. Notre validation croisée comprenait la division aléatoire des données dans un ensemble d'entraînement et de test, le réglage des paramètres du modèle dans l'ensemble d'entraînement et la réalisation de prédictions pour les scores IAT dans l'ensemble de test. En raison de la nature aléatoire de la division des données en plis, nous avons répété ce processus 50 fois pour obtenir une estimation stable et reproductible. Nous avons ensuite comparé les vecteurs finaux des scores RMSE en utilisant des tests de rang signés Exact Wilcoxon-Pratt. Tous les modèles étaient significativement supérieurs à la ligne de base naïve (p corrigé <0.001, d de Cohen = −0.87) (voir le tableau supplémentaire S2). Les statistiques récapitulatives des scores RMSE sont présentées dans le tableau supplémentaire S3. Le lasso et le filet élastique étaient supérieurs à la régression des crêtes (p-corrigé <0.01, d = 0.51, d = 0.49) et à la régression linéaire (p corrigé <0.001, d = 0.76) et n'étaient pas statistiquement différents entre eux (p corrigé> 0.05, d = −0.08). La forêt aléatoire n'était pas supérieure au lasso (p = 0.12) ou au filet élastique (p corrigé> 0.05). Par conséquent, dans notre analyse, nous avons utilisé Lasso, car, en plus de bonnes performances de prédiction hors échantillon, Lasso a pu effectuer une sélection de variables en réduisant les coefficients à zéro et donc en augmentant l'interprétabilité. Bien que le filet élastique puisse également effectuer une sélection de variables, il a tendance à sélectionner plus de variables et, bien qu'il s'agisse d'un modèle plus complexe et plus puissant, il n'a pas donné de performances significativement meilleures que le lasso. Dans notre analyse finale des données complètes et des analyses de sous-groupes, nous avons utilisé une validation croisée de 10 fois pour produire le lambda optimal pour chaque modèle de lasso et rapporter les coefficients produits par ces modèles. Les graphiques explicatifs issus de l'analyse complète des données sont présentés dans Fig. 3 .
3
Résultats
Les résultats de la régression de Lasso sont résumés dans l’ensemble de l’échantillon et stratifiés par âge en Tables 1 et 2 . Des tableaux complets de résultats pour les analyses de sous-groupes, comprenant une stratification par âge et par site d'étude, sont présentés dans les tableaux supplémentaires en ligne (tableaux S4 – S10). Des graphiques exploratoires des données sont présentés dans les figures supplémentaires (Fig. S1 – S3). Les résultats de l'approche statistique plus classique de la régression linéaire sont également présentés dans les tableaux supplémentaires S4 – S10 et toute différence d'inférence structurelle par rapport aux principaux résultats présentés ci-dessous est subordonnée au choix d'un autre modèle.
| Activité Internet | Tous (n = 1749) | 18 ≤ Age ≤ 25 (n = 1042) | 26 ≤ Age ≤ 55 (n = 592) | Âge> 55 ans (n = 115) |
|---|---|---|---|---|
| Surf général | 2.100 | 2.400 | 1.500 | 0.590 |
| Jeu sur Internet | 0.600 | 0.450 | 0.110 | 0.000 |
| RPG | 0.000 | 0.000 | 0.710 | 0.000 |
| Gaspilleurs de temps | 0.000 | 0.000 | 0.000 | 0.450 |
| Action multijoueur | 0.000 | 0.000 | 0.000 | 0.000 |
| Shopping | 1.400 | 0.840 | 1.500 | 0.000 |
| Sites d'enchères | 0.027 | 0.000 | 0.990 | 0.230 |
| Jeux d'argent | 0.000 | 0.000 | 0.780 | 0.000 |
| Le réseautage social | 0.460 | 0.000 | 1.300 | 0.000 |
| Sports | 0.000 | 0.000 | 0.000 | 0.000 |
| pornographie | 1.000 | 1.400 | 0.210 | 0.000 |
| Messagerie | 0.000 | 0.000 | 0.110 | 0.000 |
| Médias en streaming | 0.000 | 0.000 | 0.000 | 1.200 |
| PADOUE | 0.074 | 0.085 | 0.029 | 0.065 |
| BIS | 0.066 | 0.048 | 0.072 | 0.086 |
| Diagnostic TDAH | 1.700 | 0.350 | 3.100 | 0.000 |
| Diagnostic GAD | 0.230 | 0.000 | 0.000 | 6.400 |
| Diagnostic d'anxiété sociale | 0.000 | 0.560 | 0.000 | 0.000 |
| Diagnostic de TOC | 0.270 | 0.000 | 0.000 | 4.300 |
| Activité Internet | Tous (n = 1749) | 18 ≤ Age ≤ 25 (n = 1042) | 26 ≤ Age ≤ 55 (n = 592) | Âge> 55 ans (n = 115) |
|---|---|---|---|---|
| Variables démographiques | 0.000 | 0.000 | 0.000 | 0.000 |
| Sexe × toute activité sur Internet | 0.000 | 0.000 | 0.000 | 0.000 |
| Âge × navigation générale | 0.000 | - | - | - |
| Âge × jeu sur Internet | 0.000 | - | - | - |
| Âge × RPG | 0.330 | - | - | - |
| Âge × perte de temps | 0.000 | - | - | - |
| Age × Action multijoueur | 0.000 | - | - | - |
| Âge × shopping | 0.000 | - | - | - |
| Âge × jeu | 0.150 | - | - | - |
| Age × sites d'enchères | 0.350 | - | - | - |
| Âge × réseaux sociaux | 0.000 | - | - | - |
| Âge × sport | 0.000 | - | - | - |
| Âge × pornographie | 0.000 | - | - | - |
| Âge × messagerie | 0.000 | - | - | - |
| Âge × streaming media | 0.350 | - | - | - |
3.1
Démographie
Dans la régression en lasso, aucune variable incluant l'âge, le sexe, la race, le niveau d'instruction, le statut de la relation ou l'orientation sexuelle n'a été associée à la PIU dans aucun sous-groupe d'âge ni dans les données complètes.
3.2
Activités Internet
Dans la régression Lasso de données complètes, un certain nombre d'activités Internet étaient associées à des scores élevés de PIU, notamment la navigation générale (β: 2.1), les jeux sur Internet (β: 0.6), les achats en ligne (β: 1.4), l'utilisation de sites d'enchères (β: 0.027), les réseaux sociaux (β: 0.46) et l'utilisation de la pornographie en ligne (β: 1.0). Les relations entre la PIU et les jeux de rôle (RPG), les jeux d'argent en ligne, l'utilisation de sites d'enchères et l'utilisation de médias en continu ont été modérées par l'âge (β: 0.33, 0.15, 0.35 et 0.35 respectivement), l'âge plus avancé étant associé à des scores de PIU plus élevés . Dans l'analyse des sous-groupes d'âge (jeunes participants âgés ≤ 25 ans, participants d'âge moyen 25 <âge ≤ 55 ans; participants plus âgés> 55 ans), le surf général était associé à la PIU dans tous les groupes d'âge, mais plus fortement chez les jeunes (β: 2.4) , moins chez les personnes d'âge moyen (β: 1.5), et encore moins chez les participants plus âgés (β: 0.59). Une tendance similaire a été observée dans les jeux sur Internet (β: 0.45, 0.11 et 0.0 pour les trois groupes d'âge respectivement) et l'utilisation de la pornographie en ligne (β: 1.4, 0.21 et 0.0). Certaines activités Internet telles que l'utilisation de jeux de rôle en ligne étaient plus fortement associées à la PIU chez les participants d'âge moyen par rapport à d'autres groupes d'âge (β: 0.71). Il en va de même pour les jeux d'argent en ligne (β: 0.78), la messagerie instantanée (β: 0.11) et les réseaux sociaux en ligne (β: 1.3). L'utilisation des sites d'enchères était également plus fortement associée à la PIU chez les participants d'âge moyen (β: 0.99), mais également prédictive chez les participants plus âgés (β: 0.23). La diffusion en continu des médias en ligne et l'utilisation de pertes de temps étaient associées à la PIU chez les participants plus âgés (β: 1.2, 0.45 respectivement), mais pas dans les autres groupes d'âge.
3.3
Caractéristiques cliniques et comportementales
Les symptômes du trouble d'hyperactivité avec déficit de l'attention (TDAH) (β: 1.7), du trouble d'anxiété généralisé (GAD) (β: 0.23) et du trouble obsessionnel-compulsif (TOC) (β: 0.27) ont été associés à des scores de PIU plus élevés. Dans l'analyse des sous-groupes d'âge, le TDAH et le TAS étaient associés à des scores de PIU plus élevés chez les participants plus jeunes (β: 0.35 et 0.56 respectivement), tandis que le TDAH restait significatif dans le sous-groupe d'âge moyen (β: 3.1). GAD et OCD étaient associés à des scores plus élevés de PIU dans le sous-groupe de participants plus âgés (β: 6.4 et 4.3 respectivement), mais pas dans les autres groupes d'âge. Les scores BIS (personnalité impulsive) et PADUA (tendances obsessionnelles compulsives) étaient associés à des scores plus élevés de PIU dans les données complètes (β: 0.066 et 0.074 respectivement) et dans toutes les analyses de sous-groupes d'âge.
4
a lieu
Cet article constitue la première tentative d'explorer de manière exhaustive les différents types d'activités Internet associées à une utilisation inadaptée d'Internet, c'est-à-dire à une utilisation problématique d'Internet. Les travaux antérieurs ont généralement abordé la question des activités spécifiques de l’internet menant à une utilisation problématique en se concentrant sur des activités isolées de l’Internet (
; ; ; ; ). Nous avons montré ici qu’une gamme d’activités Internet, y compris la navigation en général, les jeux en ligne, les achats en ligne, l’utilisation de sites Web de vente aux enchères, les jeux de hasard en ligne, les réseaux sociaux et l’utilisation de la pornographie en ligne contribuent de manière distincte à PIU. phénomène comportant une variété de comportements problématiques. De plus, nous avons montré que ces comportements conservent leurs associations statistiquement significatives avec la PIU, même lorsque des symptômes psychiatriques connus pour être associés à la PIU (symptômes du TDAH, du GAD et du TOC) (;) et les dimensions du comportement connues pour être prédictives de la PIU (mesures de la personnalité de l'impulsivité et de la compulsivité) (;;;
) Sont prises en compte. Nous avons en outre démontré que des activités Internet spécifiques telles que les jeux de rôle, les jeux d'argent en ligne, l'utilisation de sites Web d'enchères et les médias en continu étaient associées à des scores plus élevés en PIU et que cette relation était influencée par l'âge. Enfin, nos données montrent que d’autres types de comportement en ligne (achats, pornographie, navigation en général, par exemple) entretiennent un lien plus étroit avec l’utilisation mésadaptée d’Internet que le jeu. Il est possible que cela soit lié au fait que des études antérieures n’ont large éventail d'activités liées à Internet. Ces résultats ont des implications importantes pour la conceptualisation de la PIU en tant que trouble cliniquement significatif, car ils détournent l'attention du concept unidimensionnel et relativement étroit de «trouble du jeu sur Internet», vers une entité multidimensionnelle d'utilisation problématique d'Internet ou de dépendance à Internet comprenant de multiples facettes. du comportement humain en ligne.
De plus, en utilisant la validation croisée hors échantillon, nous avons montré que l'approche "non standard" consistant à utiliser la régression de Lasso est plus précise pour prédire les scores de PIU par rapport à la régression linéaire "plus standard". L'utilisation d'une estimation hors échantillon de la valeur prédictive d'un modèle permet souvent de s'attaquer au phénomène de désintégration des significations dans les études de réplication. Cependant, le choix de la régression de Lasso implique toutefois que les variables qui ne sont pas sélectionnées par le modèle (avec des coefficients nuls) peuvent toujours être prédictives, en particulier lorsque les corrélations sont élevées entre les variables sélectionnées et non sélectionnées. Dans notre ensemble de données, nous n'avions aucune variable fortement corrélée. Néanmoins, cette limitation signifie que nous devrions traiter les résultats négatifs de manière conservatrice. Par exemple, l’absence de lien entre le sexe et la PIU, ainsi que l’absence de lien entre le genre × les activités Internet et la PIU confortent l’hypothèse selon laquelle si un large éventail de comportements de la PIU et de facteurs de confusion potentiels sont pris en compte, les deux sexes sont également vulnérables. développer les facettes de PIU (
; ). Cependant, en raison des limites de notre analyse, nous ne pouvons pas exclure la possibilité d'autres associations entre la PIU et le genre. Par exemple, il a été suggéré que le sexe modère la relation entre les achats en ligne et la PIU et que les femmes pourraient être plus à risque (). Il peut être intéressant de noter que le trouble de l’achat compulsif, un trouble prédominant dans les groupes d’âge moyen, a une prédominance féminine selon le ratio 5: 1 () et peut être à l'origine de ces conclusions. Nous n'avions aucune donnée sur ce trouble pour tester cette hypothèse. Il est également important de noter que l'instrument IAT utilisé ici a été critiqué pour son manque de robustesse concernant la structure des facteurs, ses différences par rapport à l'opérationnalisation actuelle du DSM-5 (trouble du jeu) et son retard par rapport aux avancées technologiques des applications Internet (;
). La recherche future sur les PIU serait bien servie par des instruments méthodologiquement robustes et validés, qui seraient également capables de saisir la nature en évolution rapide de la PIU d'un point de vue technologique et comportemental.
Notre analyse par sous-groupe d’âge nous a permis de mieux comprendre les associations d’âge entre la PIU et diverses activités Internet. La conception commune selon laquelle PIU est un trouble de la jeunesse n'est pas nécessairement correcte et peut être basée sur le manque d'études bien conçues qui capturent les comportements en ligne de tous les groupes d'âge. Une connaissance insuffisante de l'histoire naturelle de la PIU au cours de la vie ne permet pas une exploration complète des vulnérabilités des populations plus âgées en termes de risque pour développer la PIU. Cependant, nos résultats indiquent que ces vulnérabilités existent et que des recherches supplémentaires sont nécessaires pour cartographier les caractéristiques des populations à risque. Par exemple, le TDAH ou les symptômes d'anxiété sociale peuvent être un facteur prédictif de la PIU chez les jeunes populations, alors que le fait d'avoir des symptômes de TOC ou de GAD peut être un facteur prédictif de la PIU chez les populations plus âgées. Le fait que l’OCD n’ait pas été associé à OCD dans une récente méta-analyse (
) peut indiquer que les populations âgées ont été sous-étudiées. Le fait que le TDAH soit fortement associé à des scores élevés de PIU n’est pas surprenant, d’autres études faisant état d’une prévalence très élevée du TDAH (jusqu’à 100%) dans les populations de PIU (). Dans le même temps, des populations spécifiques d'âge moyen (entre 26 et 55) peuvent être plus à risque de PIU, si elles souffrent également d'un trouble de l'achat compulsif ou d'un trouble du jeu, compte tenu de l'historique naturel de ces troubles, qui atteint son apogée à l'âge moyen (
).
En outre, les résultats selon lesquels une activité en ligne particulière était associée à la PIU uniquement dans des groupes d'âge spécifiques impliquent que des groupes d'âge particuliers risquent de développer des aspects de la PIU. Alors que les jeunes risquent davantage de développer des PIU avec une propension à regarder de la pornographie, une vulnérabilité qui pourrait être moins forte à l’âge moyen et décroître plus tard dans la vie, les personnes plus âgées pourraient être plus enclines à développer des PIU caractérisées par une utilisation problématique du temps les déchets et les médias en continu (voir la Fig. 4 ). Enfin, le surf en général pourrait être une facette sous-estimée de la PIU, qui semble être davantage associée aux scores plus élevés de la PIU chez les jeunes, mais importante dans tous les groupes d’âge; Cette constatation peut être liée au fait que la vie adulte précoce peut être moins orientée vers les objectifs et que les jeunes passent plus de temps lors d’activités non structurées dans des environnements en ligne que dans les autres groupes d’âge.
Nos résultats ont également des implications de santé publique en ce qui concerne la réglementation du contenu en ligne et le ciblage des interventions. Si des activités particulières sont plus fortement liées au développement de l'usage problématique que d'autres, alors la question se pose de savoir si les politiques de santé publique devraient cibler des groupes d'individus vulnérables pour améliorer leur résilience face au risque de PIU, ou si des interventions plus universelles ciblant des facettes spécifiques des comportements Internet, devrait être envisagée pour rendre les environnements en ligne moins addictifs. Par exemple, les plates-formes en ligne peuvent dans certains cas utiliser des architectures spécifiques qui tirent parti des vulnérabilités des utilisateurs (c'est-à-dire des traits impulsifs ou compulsifs) et qui visent à maximiser la durée de séjour des utilisateurs dans l'environnement en ligne. Bien que cela ait du sens d'un point de vue marketing, cela soulève la question de savoir si ces environnements doivent également envoyer un avertissement d'intégrité à l'utilisateur.
4.1
Limites
Il s'agissait d'une enquête transversale en ligne, donc aucune relation causale ne peut être établie. De plus, en raison de la méthodologie de recrutement et de la propension possible des personnes atteintes de PIU à être plus susceptibles de répondre à une enquête en ligne, les résultats actuels peuvent ne pas se généraliser à la PIU dans la population générale en général. Une autre limite de notre étude est le manque de données cliniques pour certaines entités diagnostiques associées à la PIU, par exemple la dépression ou l'abus de substances. Par conséquent, il est possible que la dépression ou l'abus de substances puissent expliquer certaines des associations observées dans notre étude. Les études futures devraient inclure un plus large éventail de paramètres cliniques pour déterminer si ceux-ci tiennent compte des associations observées entre la PIU et les activités Internet. Il existe d'autres limitations en ce qui concerne nos données cliniques découlant de l'utilisation du MINI; celui-ci est validé pour être délivré par une personne formée lors d'un entretien en face à face alors que dans notre étude, il a été délivré via un outil en ligne. Cependant, nos données cliniques sont en accord avec les études précédentes en PIU. En outre, un autre inconvénient de notre collecte de données était que nous avons évalué l'activité Internet en utilisant le temps passé sur l'activité comme mesure proxy de la PIU de cette activité. Bien que cela puisse capturer une utilisation excessive, et donc problématique, il peut aussi éventuellement capturer une utilisation essentielle. Alors que les activités évaluées dans cette étude étaient souvent par défaut non essentielles en raison de leur nature (par exemple, une perte de temps), ou lorsqu'elles sont exécutées en excès sévère (par exemple> 8 h / jour de magasinage, de jeu ou de pornographie), des études futures pourraient inclure des mesures qui peuvent différencier l'utilisation d'Internet essentielle de l'utilisation non essentielle pour chaque activité Internet, afin de permettre de telles analyses. Une autre limite de notre étude est le manque de données sur les enfants et les adolescents. Les enfants et les adolescents peuvent interagir avec Internet d'une manière différente, mais sont également exposés à une utilisation en ligne au cours d'une fenêtre neuro-développementale différente. Par conséquent, de telles différences peuvent impliquer des vulnérabilités ou une résilience différentes en termes de risque de développement de PIU. Par exemple, une exposition précoce et de faible niveau à l'environnement en ligne peut avoir un effet `` d'inoculation du stress '' (
) qui protège les individus du développement futur de la PIU. Si tel est le cas, cela peut expliquer davantage pourquoi les populations plus âgées qui n'ont eu leur première exposition à des environnements en ligne qu'à l'âge adulte peuvent être plus vulnérables. Des études futures pourraient inclure ces groupes d'âge d'enfants et d'adolescents et examiner de manière prospective si des activités Internet spécifiques sont prédictives de PIU. Malheureusement, le nombre de participants déclarant un sexe transgenre était faible (n = 18), ce qui n'a pas permis une analyse significative de l'effet du sexe transgenre. Une dernière limitation de notre étude est que notre population d'étude se compose d'adultes en bonne santé qui seulement dans <1% souffrent de comportements significatifs de PIU (IAT> 80). Les études futures gagneraient à se concentrer spécifiquement sur l'extrémité supérieure du spectre des PIU pour pouvoir comparer ces populations sévères de PIU avec un groupe témoin d'individus faibles à modérés ou non-PIU. Alors que la prévalence ponctuelle estimée de PIU dans notre échantillon était d'environ 8.5% (en utilisant un seuil IAT ≥ 50), les seuils de casness clinique pour PIU restent litigieux et les recherches futures bénéficieraient d'une mesure et d'une définition universellement acceptées de PIU.
4.2
Conclusion
Pour résumer, le DSM-5 met en évidence le trouble du jeu sur Internet en tant que trouble potentiel, mais d'autres types de comportement en ligne (par exemple, achats, pornographie, surf en général) entretiennent une relation plus forte avec l'utilisation mésadaptée d'Internet que le jeu. Les diagnostics psychiatriques et les activités Internet associées à l'utilisation problématique d'Internet varient avec l'âge, constat qui a des conséquences pour la santé publique. Ces résultats contribuent à la connaissance limitée des activités Internet associées à l'utilisation problématique d'Internet et peuvent contribuer à la classification diagnostique de l'utilisation problématique d'Internet en tant que trouble à multiples facettes.
Rôle des sources de financement
Cette recherche a reçu des fonds internes du département de psychiatrie de l'Université de Chicago. Les activités de recherche du Dr Ioannidis sont soutenues par des sessions d’intérêt spécial sur l’éducation pour la santé dans l’Est de l’Angleterre. Les auteurs n'ont reçu aucun financement pour la préparation de ce manuscrit. La source de financement n'a joué aucun rôle dans la conception, l'analyse des données ou la rédaction de l'étude.
Contributeurs
KI a conçu l'idée du manuscrit, analysé les données, rédigé la majorité du manuscrit et du matériel supplémentaire et coordonné les contributions des co-auteurs. MT et FK ont participé à la conception et à la révision de l'analyse statistique. SRC, SR, DJS, CL et JEG ont conçu et coordonné l'étude et collecté et géré les données. Tous les auteurs ont lu et approuvé le manuscrit final et ont contribué à la rédaction et à la révision de l'article ainsi qu'à l'interprétation des résultats.
Conflit d'intérêt
Le Dr Grant a reçu des subventions de recherche du NIDA (RC1DA028279-01), du Centre national de jeu responsable, ainsi que de Roche et Forest Pharmaceuticals. Le Dr Grant reçoit une rémunération de Springer en tant que rédacteur en chef du Journal of Gambling Studies et a reçu des redevances de McGraw Hill, d'Oxford University Press, de Norton et de l'APPI. Le Dr Chamberlain consulte pour Cambridge Cognition et son implication dans cette recherche a été soutenue par une bourse de recherche clinique intermédiaire du Wellcome Trust (Royaume-Uni; 110049 / Z / 15 / Z). Dan Stein et Christine Lochner sont financés par le Conseil de la recherche médicale d'Afrique du Sud. Les autres auteurs ne signalent aucune relation financière d'intérêt commercial. Aucune des sources susmentionnées n'a joué de rôle dans la conception, la collecte, l'analyse et l'interprétation des données, dans la rédaction du manuscrit ou dans la décision de soumettre le document pour publication.
Accusé de réception
Nous sommes redevables aux volontaires des deux sites qui ont participé à l’étude.
Annexe A
Données supplémentaires
Matériel complémentaire
Bibliographie
- Achab et al., 2011. Achab S., Nicolier M., Mauny F., Monnin J., Trojak B., Vandel P. et Haffen E.: Jeux de rôle en ligne massivement multijoueurs: Comparaison des caractéristiques des joueurs recrutés en ligne dépendants ou non dépendants Population adulte française. BMC Psychiatry 2011; 11: pp. 144
Voir dans l'article - American Psychiatric Association, 2013. American Psychiatric Association: Manuel diagnostique et statistique des troubles mentaux: DSM-5. Washington, DC: Association américaine de psychiatrie, 2013.
Voir dans l'article - Andreassen et al., 2012. Andreassen CS, T. Torsheim, Brunborg GS et Pallesen S.: développement d’une échelle de dépendance à Facebook. Rapports psychologiques 2012; 110: pp. 501-517
Voir dans l'article | Croix Ref - Bakken et al., 2009. Bakken IJ, HG Wenzel, Götestam KG, Johansson A. et Oren A.: Dépendance à Internet chez des adultes norvégiens: étude sur échantillon probabiliste stratifié. Journal scandinave de psychologie 2009; 50: pp. 121-127
Voir dans l'article | Croix Ref - Noir, 2007. Black DW: Examen du trouble de l’achat compulsif. World Psychiatry: Journal officiel de l’Association des psychiatres du monde (WPA) 2007; 6: pp. 14-18
Voir dans l'article - Bloquer, 2008. Bloquer JJ: Problèmes liés à DSM-V: Dépendance à Internet. American Journal of Psychiatry 2008; 165: pp. 306-307
Voir dans l'article | Croix Ref - Brand et al., 2011. Marque M., Laier C., M. Pawlikowski, Schächtle U., Schöler T. et Altstötter-Gleich C.: Regarder des images pornographiques sur Internet: rôle des évaluations de l'excitation sexuelle et des symptômes psycho-psychiatriques pour une utilisation excessive de sites de sexe sur Internet . Cyberpsychologie, comportement et réseaux sociaux 2011; 14: pp. 371-377
Voir dans l'article | Croix Ref - Breiman, 2001. Breiman L .: Modélisation statistique: Les deux cultures. Science statistique 2001; 16: pp. 199-215
Voir dans l'article - Bujak et al., 2016. Bujak R., Daghir-Wojtkowiak E., Kaliszan R. et Markuszewski MJ: méthodes fondées sur la PLS et basées sur la régularisation pour la sélection de variables pertinentes dans des données métabolomiques non ciblées. Frontiers in Molecular Biosciences 2016; 3: pp. 1-10
Voir dans l'article - Burns et al., 1996. Burns GL, Keortge SG, Formea GM et Sternberger LG: Révision de l'inventaire de Padoue des symptômes de trouble obsessionnel compulsif: Distinctions entre inquiétude, obsessions et compulsions. Recherche sur le comportement et thérapie 1996; 34: pp. 163-173
Voir dans l'article | Croix Ref - Cao et al., 2007. Cao F., Su L., Liu T. et Gao X .: La relation entre l'impulsivité et la dépendance à Internet chez un échantillon d'adolescents chinois. Psychiatrie européenne 2007; 22: pp. 466-471
Voir dans l'article | Croix Ref - Carli et al., 2013. Carli V., Durkee T., D. Wasserman, G. Hadlaczky, R. Despalins, Kramarz E. et Kaess M .: Le lien entre l'utilisation pathologique de l'Internet et la psychopathologie comorbide: une revue systématique. Psychopathologie 2013; 46: pp. 1-13
Voir dans l'article | Croix Ref - Claes et al., 2016. Claes L., Müller A. et Luyckx K.: Achat et accumulation compulsifs en tant que substituts d'identité: le rôle de l'approbation de valeurs matérialistes et de la dépression. Psychiatrie globale 2016; 68: pp. 65-71
Voir dans l'article | Croix Ref - Cole et Hooley, 2013. Cole SH et Hooley JM: Corrélats cliniques et de personnalité du jeu sur MMO: Anxiété et absorption lors de l’utilisation problématique d’Internet. Revue informatique en sciences sociales 2013; 31: pp. 424-436
Voir dans l'article | Croix Ref - Cunningham-Williams et al., 2005. Cunningham-Williams RM, Grucza RA, Cottler LB, Womack SB, Books SJ, Przybeck TR et Cloninger CR: Prévalence et facteurs prédictifs du jeu pathologique: Résultats de l’étude sur la personnalité, la santé et le mode de vie de St. Louis (SLPHL). Journal of Psychiatric Research 2005; 39: pp. 377-390
Voir dans l'article | Croix Ref - von Elm et al., 2008. von Elm E., DG Altman, Egger M., Pocock SJ, PC Gøtzsche, Vandenbroucke JP et Initiative S .: Renforcement de la notification des études observationnelles en épidémiologie (STROBE): Principes directeurs pour la notification des études observationnelles. Journal of Clinical Epidemiology 2008; 61: pp. 344-349
Voir dans l'article | Croix Ref - Fernández-Villa et al., 2015. Fernández-Villa T., J. Alguacil Ojeda, Almaraz Gómez A., Cancela Carral JM, Delgado-Rodríguez M., García-Martín M. et Martín V .: Problème d'utilisation d'Internet chez les étudiants universitaires: facteurs associés et différences de genre . Adicciones 2015; 27: pp. 265-275
Voir dans l'article | Croix Ref - Friedman et al., 2010. Friedman J., Hastie T. et Tibshirani R.: Chemins de régularisation pour modèles linéaires généralisés via une descente de coordonnées. Journal of Statistical Software 2010; 33: pp. 1-22
Voir dans l'article - Griffiths, 2003. Griffiths M.: Jeu sur Internet: problèmes, préoccupations et recommandations. Cyberpsychologie et comportement: l'impact d'Internet, du multimédia et de la réalité virtuelle sur le comportement et la société 2003; 6: pages 557 à 568
Voir dans l'article | Croix Ref - Ha et Hwang, 2014. Ha Y.-M. et Hwang WJ: Différences entre les sexes en matière de dépendance à Internet associées à des indicateurs de santé psychologique chez les adolescents à l'aide d'une enquête nationale en ligne. Journal international de la santé mentale et des toxicomanies 2014; 12: pp. 660-669
Voir dans l'article | Croix Ref - Ho et al., 2014. Ho RC, Zhang MWB, Tsang TY, Toh AH, Pan F., Lu Y. et Mak K.-K.: L'association entre la dépendance à Internet et la comorbidité psychiatrique: une méta-analyse. BMC Psychiatry 2014; 14: pp. 183
Voir dans l'article - Hoerl et Kennard, 1970. Hoerl AE et Kennard RW: Régression Ridge: Estimation biaisée pour des problèmes non orthogonaux. Technometrics 1970; 12: pp. 55-67
Voir dans l'article - Huys et al., 2016. Huys QJM, Maia TV et Frank MJ: La psychiatrie informatique comme passerelle des neurosciences aux applications cliniques. Nature Neuroscience 2016; 19: pp. 404-413
Voir dans l'article | Croix Ref - Igarashi et al., 2008. Igarashi T., Motoyoshi T., Takai J. et Yoshida T.: Pas de téléphone portable, pas de vie: Perception de soi et dépendance aux SMS parmi les lycéens japonais.
Voir dans l'article - Ioannidis et al., 2016. Ioannidis K., SR Chamberlain, MS Treder, Kiraly F., E. Leppink, Redden S. et Grant JE: Utilisation d'Internet problématique (PIU): Associations au spectre impulsif-compulsif. Journal of Psych: Une application de l'apprentissage automatique en psychiatrie, 2016.
Voir dans l'article - Janower, 2006. Janower CR: Jeu sur Internet. Journal of Computer-Médiated Communication 2006; 2: pp. 0
Voir dans l'article | Croix Ref - Kessler et al., 2005. Kessler RC, Adler L., Ames M., Demler O., Faraone S., Hiripi E. et Walters EE: Échelle d'auto-déclaration du TDAH chez l'adulte (ASRS) de l'Organisation mondiale de la Santé: échelle de dépistage brève utilisable en général population. Médecine psychologique 2005; 35: pp. 245-256
Voir dans l'article | Croix Ref - Kessler et al., 2016. Kessler RC, van Loo HM, Wardenaar KJ, RM Bossarte, LA Brenner, Cai T. et Zaslavsky AM: test d'un algorithme d'apprentissage automatique permettant de prédire la persistance et la gravité d'un trouble dépressif majeur à partir d'auto-évaluations. Psychiatrie moléculaire 2016; 21: pp. 1366-1371
Voir dans l'article | Croix Ref - Khazaal et al., 2015. Khazaal Y., Achab S., Billieux J., Thorens G., Zullino D., Dufour M. et Rothen S.: Structure factorielle du test de dépendance à Internet chez les joueurs en ligne et les joueurs de poker. JMIR santé mentale 2015; 2:
Voir dans l'article - Kim et al., 2016. Kim D., Kang M., Biswas A., Liu C. et Gao J.: Approche intégrative pour l'inférence de réseaux de régulation de gènes utilisant la présentation aléatoire à base de lasso et son application aux troubles psychiatriques. BMC Medical Genomics 2016; 9: pp. 50
Voir dans l'article - King, 1999. King SA: Jeux d'argent et pornographie sur Internet: exemples illustratifs des conséquences psychologiques de l'anarchie de la communication. Cyberpsychologie et comportement 1999; 2: pp. 175-193
Voir dans l'article - King et Barak, 1999. King SA et Barak A.: Jeu compulsif sur Internet. Cyberpsychologie et comportement 1999; 2: pages 441 à 456
Voir dans l'article | Croix Ref - Király et al., 2015. Király O., Griffiths MD et Demetrovics Z .: trouble du jeu sur Internet et DSM-5: conceptualisation, débats et controverses. Rapports de toxicomanie actuels 2015; 2: pp. 254-262
Voir dans l'article - Király et al., 2014. Király O., Griffiths MD, Urbán R., Farkas J., Kökönyei G., Elekes Z. et Demetrovics Z .: L’utilisation problématique d’Internet et le jeu problématique en ligne ne sont pas identiques: résultats d’un vaste échantillon d’adolescents représentatif au niveau national. Cyberpsychologie, comportement et réseaux sociaux 2014; 17: pp. 749-754
Voir dans l'article - Kittinger et al., 2012. Kittinger R., Correia CJ et Irons JG: Relation entre l'utilisation de Facebook et l'utilisation problématique d'Internet chez les étudiants. Cyberpsychologie, comportement et réseaux sociaux 2012; 15: pp. 324-327
Voir dans l'article | Croix Ref - Ko et al., 2012. Ko C.-H., Yen J.-Y., Yen C.-F., Chen C.-S. et Chen C.-C .: L'association entre la dépendance à Internet et les troubles psychiatriques: une revue de la littérature . Psychiatrie européenne 2012; 27: pp. 1-8
Voir dans l'article - Ko et al., 2007. Ko C.-H., Yen J.-Y., Yen C.-F., Lin H.-C., and Yang M.-J .: Facteurs prédictifs de l'incidence et de la rémission de la dépendance à Internet chez les jeunes adolescents: A étude prospective. Cyberpsychologie et comportement: l'impact de l'Internet, du multimédia et de la réalité virtuelle sur le comportement et la société 2007; 10: pages 545 à 551
Voir dans l'article | Croix Ref - Kuss et Griffiths, 2011. Kuss DJ et Griffiths MD: Réseaux sociaux en ligne et dépendance - Revue de la littérature psychologique. Revue internationale de la recherche environnementale et de la santé publique 2011; 8: pp. 3528-3552
Voir dans l'article | Croix Ref - Kuss et al., 2013. Kuss DJ, Griffiths MD et Binder JF: Dépendance à Internet chez les étudiants: Prévalence et facteurs de risque. Ordinateurs au comportement humain 2013; 29: pp. 959-966
Voir dans l'article | Croix Ref - Kuss et Lopez-Fernandez, 2016. Kuss DJ et Lopez-Fernandez O .: Dépendance à Internet et utilisation problématique d'Internet: Revue systématique de la recherche clinique. World Journal of Psychiatry 2016; 6: pp. 143-176
Voir dans l'article | Croix Ref - Laconi et al., 2016. Laconi S., Andréoletti A., Chauchard E., Rodgers RF et Chabrol H.: Utilisation problématique d'Internet, temps passé en ligne et traits de personnalité. L'Encéphale 2016; 42: pages 214 à 218
Voir dans l'article | Croix Ref - Laconi et al., 2014. Laconi S., Rodgers RF et Chabrol H.: La mesure de la dépendance à Internet: examen critique des échelles existantes et de leurs propriétés psychométriques. Ordinateurs au comportement humain 2014; 41: pp. 190-202
Voir dans l'article | Croix Ref - Laier et al., 2013. Laier C., Pawlikowski M., Pekal J., Schulte FP et Brand M.: Dépendance au cybersexe: une excitation sexuelle expérimentée lorsque vous regardez de la pornographie et non des contacts sexuels réels fait la différence. Journal of Behavioral Addictions 2013; 2: pp. 100-107
Voir dans l'article | Croix Ref - Lecardeur, 2013. Lecardeur L.: Psychopathologie du jeu multi-joueurs en ligne. Annales Médico-Psychologiques, Revue Psychiatrique 2013; 171: pp. 579-586
Voir dans l'article | Croix Ref - Liang et al., 2016. Liang L., Zhou D., Yuan C., Shao A. et Bian Y .: Différences entre les sexes dans la relation entre la dépendance à Internet et la dépression: étude à retardement réalisée sur des adolescents chinois. Ordinateurs au comportement humain 2016; 63: pp. 463-470
Voir dans l'article | Croix Ref - Lopez-Fernandez, 2015. Lopez-Fernandez O .: Comment la recherche sur la dépendance à Internet a-t-elle évolué depuis l'avènement du trouble du jeu sur Internet? Un aperçu des cyberaddictions d'un point de vue psychologique. Rapports de toxicomanie actuels 2015; 2: pp. 263-271
Voir dans l'article | Croix Ref - Masten et Tellegen, 2012. Masten AS et Tellegen A .: Résilience en psychopathologie du développement: Contributions de l'étude longitudinale sur les compétences du projet. Développement et psychopathologie 2012; 24: pp. 345-361
Voir dans l'article | Croix Ref - Mueller et al., 2010. Mueller A., Mitchell JE, RD de Crosby, Gefeller O., Faber RJ, Martin A. et de Zwaan M.: Prévalence estimée des achats compulsifs en Allemagne et association avec des caractéristiques sociodémographiques et des symptômes dépressifs. Recherche en psychiatrie 2010; 180: pp. 137-142
Voir dans l'article | Croix Ref - Patton et al., 1995. Patton JH, Stanford MS et Barratt ES: Structure factorielle de l'échelle d'impulsivité de Barratt. Journal of Clinical Psychology 1995; 51: pp. 768-774
Voir dans l'article | Recupero, 2008. Recupero PR: évaluation scientifique de l'utilisation problématique d'Internet. Le journal de l'Académie américaine de psychiatrie et de droit 2008; 36: pp. 505-514
Voir dans l'article - Rose et Dhandayudham, 2014. Rose S., et Dhandayudham A .: Vers une compréhension du comportement de shopping en ligne: le concept de dépendance au shopping en ligne et ses prédicteurs proposés. Journal of Behavioral Addictions 2014; 3: pp. 83-89
Voir dans l'article | Croix Ref - Rutland et al., 2007. Rutland JB, Sheets T., and Young T.: Développement d'une échelle de mesure de l'utilisation problématique du service de messages courts: questionnaire de diagnostic d'utilisation des problèmes SMS. Cyberpsychologie et comportement 2007; 10: pages 841 à 844
Voir dans l'article | Croix Ref - Rutter, 1993. Rutter M .: Résilience: Quelques considérations conceptuelles. Journal de la santé des adolescents: publication officielle de la Society for Adolescent Medicine, 1993; 14: pp. 626-631
Voir dans l'article | Croix Ref - Shaw et Black, 2008. Shaw M. et Black DW: Dépendance à Internet: définition, évaluation, épidémiologie et gestion clinique. CNS Drugs 2008; 22: pp. 353-365
Voir dans l'article | Croix Ref - Sheehan et al., 1998. Sheehan DV, Lecrubier Y., Sheehan KH, Amorim P., Janavs J., Weiller E. et Dunbar GC: Mini-entretien neuropsychiatrique international (MINI): mise au point et validation d'un entretien psychiatrique diagnostique structuré pour le DSM-IV et ICD-10. Le journal de psychiatrie clinique 1998; 59:
Voir dans l'article - Tam et Walter, 2013. Tam P., et Walter G .: Utilisation d'Internet problématique dans l'enfance et la jeunesse: Evolution d'une affliction du 21st century. Psychiatrie australasienne 2013; indéfini:
Voir dans l'article - Tibshirani, 1996. Tibshirani R .: Retrait de régression et sélection via le lasso. Journal de la Société royale de statistique, série B 1996; 58: pp. 267-288
Voir dans l'article - Tikhonov, 1963. Tikhonov AN: Solution des problèmes mal formulés et de la méthode de régularisation. Doklady 1963 de mathématiques soviétiques; 5: pp. 1035-1038
Voir dans l'article - Trotzke et al., 2015. Trotzke P., Starcke K., Müller A. et Brand 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:
Voir dans l'article - Tsai et al., 2009. Tsai HF, Cheng SH, Yeh TL, Shih C.-C., Chen KC, Yang YC et Yang YK: Les facteurs de risque de la dépendance à Internet? Enquête sur les étudiants de première année à l'université. Recherche en psychiatrie 2009; 167: pp. 294-299
Voir dans l'article | Croix Ref - Wallace, 2014. Wallace P.: Trouble de dépendance à Internet et jeunes: Les activités compulsives en ligne suscitent de plus en plus de préoccupations et que cela pourrait nuire aux performances et à la vie sociale des élèves. Rapports EMBO 2014; 15: pages 12 à 16
Voir dans l'article | Croix Ref - Xin et al., 2018. Xin M., Xing J., W. Pengfei, Houru L., Mengcheng W. et Hong Z .: Activités en ligne, prévalence de la dépendance à Internet et des facteurs de risque liés à la famille et à l'école chez les adolescents en Chine. Rapports sur les comportements provoquant une dépendance 2018; 7: pp. 14-18
Voir dans l'article | Croix Ref - Yuen et al., 2004. Yuen CN, Lavin MJ, Weinman M. et Kozak K.: La dépendance à Internet dans la population collégiale: le rôle de la timidité. Cyberpsychologie et comportement 2004; 7: pages 379 à 383
Voir dans l'article | Croix Ref - Jeune, 1998. Young KS: dépendance à Internet: l'émergence d'un nouveau trouble clinique. CyberPsychologie et comportement 1998; 1: pages 237 à 244
Voir dans l'article | Croix Ref
;
