Peng Wang1, Qingnan Lin2, 
Fengqiang Gao1* ed Yingmin Chen1*
- 1Scuola di Psicologia, Shandong Normal University, Jinan, Cina
- 2Dipartimento di educazione prescolare, Heze University, Heze, Cina
Questo studio ha esplorato la relazione reciproca tra dipendenza da Internet (IA) e cognizione maladattiva (NMC) collegata alla rete nelle matricole del college cinese. Un sondaggio longitudinale a breve termine con un campione di matricole del college 213 è stato condotto nella provincia di Shandong, in Cina. I risultati hanno rivelato che l'IA può prevedere in modo significativo la generazione e lo sviluppo di NMC e che, quando tali cognizioni maladattative sono state stabilite, possono ulteriormente influenzare negativamente la portata della IA degli studenti. Un circolo vizioso è stato osservato tra queste due variabili, con IA avente priorità predittiva nella sua relazione con NMC. Questo studio ha anche determinato che la relazione tra queste due variabili era la stessa sia per i maschi che per le femmine; pertanto, il modello finale che abbiamo stabilito può essere applicato estensivamente alle matricole del college cinese, indipendentemente dal genere. Comprendere la relazione reciproca tra queste due variabili può aiutare negli interventi in IA all'inizio della vita universitaria degli studenti.
Introduzione
Fin dalla sua nascita negli 1990, Internet è diventata gradualmente parte integrante della vita quotidiana in Cina, in particolare tra gli adolescenti di età 10-21 (Daniel et al., 2012; Liu et al., 2012). Secondo il 36th Rapporto statistico sullo sviluppo di Internet in Cina, che è stato pubblicato dal China Internet Network Information Center (CNNIC), il numero di utenti Internet di adolescenti in Cina è aumentato rapidamente da 120 milioni in 2002 a 287 milioni in 2016 (Tian et al., 2017).
Internet ha prodotto numerosi vantaggi come una migliore connessione sociale e il benessere (Bessière et al., 2008; Young e de Abreu, 2011). Tuttavia, la dipendenza da Internet (IA), che è caratterizzata dall'uso eccessivo o compulsivo di Internet (Young et al., 1999; Shek et al., 2013; Yang et al., 2014) ha avuto numerosi effetti negativi (Joseph et al., 2016). Numerosi studi hanno dimostrato che l'IA può influire negativamente sulla salute fisica e mentale (Ayas e Horzum, 2013; Georgios et al., 2014; Mike e Zhong, 2014). Ad esempio, gli adolescenti con IA spesso soffrono di ansia, depressione, solitudine, scarsa autostima e relazioni interpersonali scadenti (Tokunaga e Rains, 2010; Georgios et al., 2014; Mike e Zhong, 2014), che può ulteriormente incidere negativamente sul loro benessere (Tokunaga e Rains, 2010; Georgios et al., 2014; Mike e Zhong, 2014) e lo sviluppo accademico (Chuang, 2006; Kim et al., 2008; Tsai et al., 2009; Ahmadi e Saghafi, 2013). Pertanto, lo studio della IA negli adolescenti ha implicazioni educative e sociali importanti.
Relazione tra IA e NMC
La cognizione maladattiva attenta alla rete (NMC) è stata a lungo considerata un ruolo centrale nella IA (Li et al., 2013). Secondo il modello cognitivo-comportamentale (Davis, 2001), la psicopatologia (ad es. depressione e ansia sociale) è una causa distale necessaria dei sintomi di IA che di per sé non produce sintomi di IA. I fattori chiave in IA sono i NMC, che sono cause sufficienti prossimali (Daniel et al., 2012; figura 1). Numerosi studi hanno riportato che la psicopatologia distale rende un individuo vulnerabile alla IA attraverso NMC (Kalkan, 2012; Mai et al., 2012; Li e Wang, 2013; Lu e Yeo, 2015). Ad esempio, i ricercatori hanno studiato la relazione sottostante tra il temperamento (cioè controllo dello sforzo, ricerca di alte sensazioni e rabbia o frustrazione disposizionale) e lo sviluppo di IA; i risultati hanno indicato che determinati temperamenti influenzano il livello di IA attraverso il temperamento degli effetti sulla loro cognizione dei comportamenti online (Zhang et al., 2015). Tian et al. (2017) esaminato le associazioni reciproche tra timidezza, cognizioni maladattive e uso patologico generalizzato di Internet (GPIU) in un campione cinese. I risultati hanno indicato che le associazioni tra queste variabili sono dinamiche e bidirezionali e che le maggiori cognizioni maladattive hanno mediato bidirezionalmente la relazione tra timidezza e GPIU nel tempo. Inoltre, altri studi hanno stabilito che lo stile genitoriale e la relazione tra pari potrebbero predisporre le persone a NMC, il che influenzerebbe ulteriormente il livello di IA (Li et al., 2013; Wang et al., 2015).
FIGURA 1. Modello cognitivo-comportamentale di uso patologico di Internet (Davis, 2001).
Inoltre, numerosi altri studi si sono concentrati sulla dipendenza da giochi su Internet e hanno studiato la sua relazione con le cognizioni maladattive. King and Delfabbro (2014) ha proposto un nuovo modello che offre spiegazioni teoriche delle origini e della patogenesi della dipendenza dai giochi su Internet. Gli autori hanno identificato quattro cognizioni maladattive alla base della dipendenza da Internet, ovvero sopravvalutazione, regole disadattive, autostima del gioco e accettazione del gioco. Alcuni studi empirici hanno anche rilevato che gli adolescenti con sintomi di dipendenza da gioco in Internet hanno riportato cognizioni significativamente più disadattive rispetto agli adolescenti senza questi sintomi (Zhou et al., 2012; Liu et al., 2014; King e Delfabbro, 2016). Peng e Liu (2010) ha riferito che una cognizione di misurazione in scala di cinque elementi aveva previsto in modo significativo la dipendenza da gioco da Internet negli adulti cinesi. Forrest et al. (2016) cognizioni maladattive studiate associate a giochi video problematici in un campione di adulti australiani 465. I risultati hanno rivelato che queste cognizioni problematiche sono correlate da moderatamente ad alte con la dipendenza da giochi su Internet. Forrest et al. (2017) ha esplorato se la cognizione maladattativa potrebbe predire i futuri cambiamenti nei videogiochi problematici utilizzando uno studio longitudinale di 12-mese. I risultati hanno mostrato che il cambiamento cognitivo ha rappresentato il 28% della varianza in punteggi di gioco problematici oltre il genere, l'età e la frequenza dei giochi.
Sebbene un certo numero di studi abbia identificato l'influenza di NMC sulla IA, pochi studi hanno esplorato la possibile influenza di IA su NMC. Teoria della dissonanza cognitiva (Festinger, 1957), che riguarda principalmente il modo in cui le persone sperimentano e rispondono alle incoerenze nel pensiero e tra il comportamento e il pensiero, fornisce una spiegazione alternativa di come NMC si rapporta alla IA. Quando le persone diventano consapevoli delle incoerenze, sperimentano disagio o dissonanza, che sollecita gli sforzi per ridurre queste esperienze e riguadagnare la coerenza attraverso l'adattamento dei loro atteggiamenti, percezioni o comportamenti fino a quando tali incoerenze non vengono risolte (de Vries e Timmins, 2016). Secondo questa teoria, quando le persone si comportano in modo incoerente con i loro valori, come ad esempio indulgere in Internet quando ha già influenzato negativamente la loro vita, sperimentano dissonanza sotto forma di rimpianti; questo si verifica con sentimenti di responsabilità personale per le conseguenze negative dei loro comportamenti. La maggior parte delle persone è in grado di adattare il proprio comportamento con successo per ridurre questa dissonanza. Tuttavia, alcune persone possono ridurre la dissonanza cambiando il loro atteggiamento verso Internet, riducendo così la loro dissonanza mantenendo comportamenti problematici. Chiou e Wan (2007) ha studiato questo processo con un campione di giocatori di videogiochi. I risultati hanno rivelato che i giocatori che si sentono responsabili del loro comportamento hanno maggiori probabilità di spostare il loro atteggiamento nei confronti dei videogiochi da positivi a negativi, mentre i giocatori con un maggiore investimento nel gioco dei videogiochi hanno meno probabilità di adottare comportamenti discrepanti.
Ricerca sulla IA tra studenti universitari
Una varietà di studi ha suggerito che gli adolescenti costituiscono la maggioranza degli utenti di Internet e che gli studenti universitari sono particolarmente vulnerabili alle IA a causa del facile accesso a Internet, orari flessibili e la loro minore capacità di controllare il loro comportamento (Shaw e Black, 2008; Fu et al., 2010; Georgios et al., 2014; Yang et al., 2014). Inoltre, l'inizio della vita del college è un periodo di sviluppo per gli studenti durante la transizione da una relativamente alta dipendenza dalle relazioni interpersonali (non solo i rapporti familiari ma anche i rapporti di pari e altri rapporti sociali; Woodhouse et al., 2012). Studi precedenti hanno riportato che l'uso incontrollato di Internet è strettamente correlato a un declino della comunicazione e della supervisione della famiglia (Van den Eijnden et al., 2010; Liu et al., 2012). Pertanto, lo spostamento delle relazioni interpersonali tende a collocare le matricole del college a rischio di sviluppare IA (Zhang et al., 2014).
Inoltre, le matricole devono superare una serie di esami rigorosi per ottenere l'ammissione al college in Cina, e in genere non hanno abbastanza tempo per l'auto-riflessione durante la scuola superiore. Pertanto, di fronte alla vita del college, la loro mancanza di studio e le abilità interpersonali possono farli sentire confusi (Ni et al., 2009). Inoltre, a causa dell'abbondante tempo libero e dell'accesso illimitato a Internet attraverso una serie di strumenti wireless, le matricole universitarie tendono a trascorrere grandi quantità di tempo online e sono quindi molto propensi a provare sintomi di IA durante questo periodo unico (Chen, 2012). Per fornire strategie preventive e di intervento per la IA, è stato condotto uno studio longitudinale a breve termine durante un primo semestre al college.
Il presente studio
Sebbene molti ricercatori abbiano studiato la relazione tra IA e NMC, molti hanno adottato un approccio trasversale; quindi, identificare una relazione reciproca tra queste due variabili è difficile (Joseph et al., 2016). Inoltre, sebbene la probabilità che gli studenti sviluppino IA è sostanzialmente più elevata all'inizio del college (Li e Liang, 2007; Ni et al., 2009), i partecipanti agli studi precedenti erano in genere studenti universitari di tutte le età, con gli studenti del loro primo semestre coinvolti meno frequentemente. Pertanto, il presente studio ha adottato un'analisi cross-lag per esplorare la relazione tra IA e NMC tra gli studenti universitari durante il primo semestre della loro vita universitaria. Secondo precedenti studi teorici ed empirici, può esistere una relazione reciproca tra queste due variabili. Pertanto, abbiamo proposto un modello di interazione (Figura 2) e testato tre ipotesi riguardanti la relazione tra queste due variabili.
FIGURA 2. Modello ipotizzato.
H1. Esistono percorsi cross-lag positivi e significativi da IA a NMC e l'NMC è un efficace predittore di IA tra le matricole del college cinese.
H2. I percorsi cross-lagged da IA a NMC raggiungono un livello significativo e il livello di IA influisce negativamente su NMC.
H3. La relazione tra IA e NMC può essere generalmente applicata tra maschi e femmine.
Materiali e Metodi
Partecipanti
Il numero iniziale di matricole del college disponibili per la partecipazione era rappresentato dai partecipanti 300, tutti iscritti in due college situati in due città (precisamente Jinan e Heze) nella provincia di Shandong, in Cina. Le raccolte di dati sono state condotte all'inizio di settembre di 2015 (T1), 2 mesi dopo (T2) e poi 4 mesi dopo (T3). Alla prima ondata di raccolta dati, tutti questi studenti 300 hanno completato la misurazione. Tuttavia, alle successive ondate, 87 di questi studenti 300 si è ritirato a metà strada. La mancanza di partecipazione era dovuta all'assenza o alla malattia (tasso di partecipazione: 71.00%). Pertanto, gli studenti 213 sono rimasti per l'analisi finale dei dati (maschi 104 e femmine 109), con età che vanno da 17 a 21 anni (M = 18.87 anni, SD = 0.76 anni). Al fine di determinare se i dati degli studenti che si sono ritirati a metà strada (studenti 87) differivano da quelli che non si ritiravano (studenti 213) rispetto a una delle variabili incluse in questo studio, una serie di t- i test sono stati condotti utilizzando i dati raccolti alla prima ondata di raccolta dei dati; nessuna di queste analisi era significativa. Tutti questi partecipanti hanno avuto esperienza in Internet e sono stati inclusi in questo studio. I partecipanti hanno utilizzato Internet per una media di anni 5.59 (SD = 2.06) all'inizio della loro vita universitaria. Le informazioni sono state raccolte sulla residenza registrata degli studenti: 43.19% ha vissuto nelle grandi città, 35.68% ha vissuto nelle città e 21.13% ha vissuto nei villaggi. Inoltre, è stato creato un file per ogni studente (questi file includevano le loro informazioni di base, così come lo stato di salute fisica e mentale) quando sono entrati nel college. Secondo i file, nessuno dei partecipanti ha disturbi psichiatrici o neurologici. Questo studio è stato condotto in conformità con le raccomandazioni delle linee guida etiche dell'Università Normale di Shandong e la Dichiarazione di Helsinki, con il consenso informato scritto di tutti i partecipanti. Il protocollo è stato approvato dal Comitato etico di ricerca umana dell'Università Normale di Shandong.
Strumenti
Dipendenza da Internet
L'attuale studio ha adottato la scala rivista cinese di dipendenza da Internet (CIAS-R; Bai e Fan, 2005). Il CIAS-R contiene elementi 19 che possono essere suddivisi in quattro fattori: uso compulsivo e ritiro (ad esempio, "Mi sento depresso durante un periodo di tempo senza accesso a Internet"), tolleranza (ad esempio, "Mi trovo a dover spendere cifre crescenti di tempo online per sentirsi soddisfatti "), i problemi di gestione del tempo (es." Il mio rendimento scolastico o lavorativo subisce effetti avversi a causa del mio uso di Internet "), e problemi interpersonali e di salute (ad esempio," Riduco il tempo a dormire per avere più tempo in linea"). Ogni risposta è stata misurata su una scala di tipo Likert con punto 4 con punteggi che vanno da 1 (per niente vero) a 4 (sempre vero). Pertanto, i punteggi medi più alti rappresentano livelli più alti di IA. La scala è stata applicata in studi recenti su studenti universitari cinesi e dimostrato alta affidabilità e validità (Tian et al., 2015). Nel presente studio, i coefficienti alfa per la scala erano 0.92 a T1, 0.95 a T2 e 0.91 a T3.
Cognizione disadattativa legata alla rete
Questo studio ha adottato la scala della cognizione maladattiva legata alla rete rivista da Liang; la scala originale era la scala della cognizione online, sviluppata sulla base del modello cognitivo-comportamentale proposto da Davis (Tian et al., 2015). La scala rivista contiene gli articoli 14 che possono essere suddivisi in tre fattori: Internet comfort (ad es. "Ricevo più rispetto online che nella" vita reale "), controllo degli impulsi diminuito (ad esempio," Quando sono su Internet, spesso sentire una sorta di "rush" o di emozioni ") e distrazioni (ad es." Usare Internet è un modo per dimenticare le cose che devo fare ma in realtà non voglio farlo "). I partecipanti hanno valutato la reale validità di ciascuna affermazione su una scala di tipo Likert con punto 5, con punteggi che vanno da 1 (per niente vero) a 5 (sempre vero). Quindi, i punteggi medi più alti rappresentano livelli più alti di NMC per quanto riguarda l'uso di Internet. La scala è stata applicata in studi precedenti su studenti universitari cinesi (Tian et al., 2015, 2017). Nello studio corrente, i coefficienti alfa per la scala erano 0.87 a T1, 0.90 a T2 e 0.90 a T3.
Analisi statistica
In questo studio, abbiamo impiegato un progetto di pannello completamente cross-lagged per esaminare le relazioni unidirezionali e bidirezionali tra IA e NMC nelle matricole del college cinese (Van Lier et al., 2012). Il modello generale consisteva in misure di IA e NMC in T1, T2 e T3. Abbiamo proposto e testato quattro modelli che rappresentano i possibili meccanismi tra le due variabili. Innanzitutto, abbiamo proposto un "modello di stabilità" (Modello 1, Figura 3) che includeva solo effetti di stabilità incrociata. Secondo, un modello cognitivo-comportamentale (Modello 2, Figura 3) è stato proposto di esaminare se NMC in un momento potesse predire la IA al seguente punto temporale. Terzo, abbiamo proposto un "modello cognitivo comportamentale" (Modello 3, Figura 3) per esaminare se la IA in un punto temporale potrebbe predire NMC al punto temporale successivo. Infine, abbiamo proposto un "modello di causalità reciproca" (Modello 4, Figura 3) che ha esplorato l'influenza reciproca tra IA e NMC. Inoltre, è stata condotta un'analisi cross-lag multigruppo basata sul genere per esaminare se la relazione tra le due variabili chiave differiva tra maschi e femmine.
FIGURA 3. Risultati dell'analisi cross-lag. Le linee a freccia singola rappresentano i coefficienti di percorso e le linee a doppia freccia rappresentano le covarianze. Le linee tratteggiate indicano coefficienti non significativi e le linee continue indicano coefficienti significativi. ***indica che il coefficiente è significativo a livello 0.001, **indica che il coefficiente è significativo a livello 0.01 e *indica che il coefficiente è significativo a livello 0.05.
La modellizzazione dell'equazione strutturale con variabili latenti è stata impiegata per testare il modello ipotizzato in questo studio. In conformità con la raccomandazione di Holbert e Stephenson (2002), la bontà dell'adattamento del modello è stata valutata utilizzando una varietà di indici. Il χ2 la stima con gradi di libertà è ancora il mezzo più comunemente utilizzato per eseguire confronti tra diversi modelli. Il rapporto tra χ2 e gradi di libertà non dovrebbero superare 5 per i modelli con una buona vestibilità. Inoltre, abbiamo riportato l'indice di adattamento comparativo (CFI) insieme all'indice di Tucker-Lewis (TLI) e l'errore quadratico medio di approssimazione (RMSEA). In generale, i valori CFI e TLI di 0.95 o superiore riflettono un buon adattamento e valori RMSEA inferiori a 0.06 indicano un adattamento eccellente, mentre i valori tra 0.06 e 0.08 indicano un buon adattamento (Yuan et al., 2014). Inoltre, il χ2 test di differenza (Δχ2) è stato utilizzato per confrontare l'adattamento dei modelli nidificati. Un Δχ non significativo2 il test indica che i due modelli forniscono una misura uguale ai dati, mentre un Δχ significativo2 suggerisce che il modello meno vincolato debba essere mantenuto (Tian et al., 2017).
Risultati
Analisi descrittiva
I mezzi e le deviazioni standard delle variabili chiave in questo studio sono presentati in Tabella 1. Misure ripetute L'ANOVA è stata condotta per esplorare le influenze di genere e tempo di misurazione sull'IA e sul NMC dei partecipanti ("genere" è una variabile tra soggetti e "tempo di misurazione" è una variabile all'interno dei soggetti). I risultati non hanno rivelato differenze significative tra i sessi in termini di due variabili dipendenti (F = 0.10, p = 0.749; F = 0.02, p = 0.822). Nel corso del tempo, il livello di IA è aumentato significativamente da T1 a T3 tra le matricole del college (F = 28.71, p <0.001). I risultati di a post hoc test indicava che il livello di IA misurato a T3 era significativamente più alto di quelli di T2 (p <0.01) e T1 (p <0.001) e che il livello di IA misurato a T2 era significativamente superiore a quello a T1 (p <0.001). Inoltre, differenze significative marginali esistevano in NMC quando misurate in momenti diversi (F = 2.93, p = 0.055). I risultati del post hoc test ha rivelato che il livello di IA misurato a T3 era significativamente più alto di quello di T1 (p <0.05) e che esistevano differenze marginali significative in NMC quando misurate a T1 e T2 (p = 0.065). Tuttavia, nessuna differenza significativa esisteva in NMC quando misurata a T2 e T3 (p = 0.846). L'interazione tra genere e tempo di misurazione nelle due variabili non ha raggiunto livelli significativi (F = 0.38, p = 0.682; F = 0.24, p = 0.791).
TABELLA 1. Statistiche descrittive di IA e NMC (n = 213).
Come mostrato in Tabella 2, le correlazioni bivariate tra IA e NMC a T1, T2 e T3, così come tutte le correlazioni cross-lag tra le due variabili, erano significative e positive, suggerendo una relazione positiva tra IA e NMC.
TABELLA 2. Correlazioni tra IA e NMC (n = 213).
Relazioni cross-lag tra IA e NMC
È stata specificata una serie di modelli cross-lagged per esaminare le relazioni reciproche tra IA e NMC. Innanzitutto, un modello di base (Modello 1, Figura 3) è stato specificato; in questo modello, sono stati stimati i coefficienti di stabilità per IA e NMC, ma gli effetti cross-lagged tra le due variabili non sono stati stimati. Il modello adatto era accettabile (Tabella 3). In secondo luogo, per testare il modello cognitivo-comportamentale presentato in precedenza, i percorsi cross-lagged da NMC a IA sono stati aggiunti al modello di base (Modello 2, Figura 3), che ha migliorato in modo significativo il modello (Tabella 3). Il χ2 il test di differenza ha rivelato che il modello 2 ha dimostrato un adattamento migliore ai dati rispetto al modello 1 (Δχ2 = 27.05, Δdf = 2, Δχ2/ Δdf = 13.53> 6.63) (Wen et al., 2006). Secondo il modello 2, i coefficienti di percorso standardizzati erano 0.10 (p = 0.309) per NMC misurato a T1 a IA misurato a T2 e 0.36 (p <0.001) per NMC misurato a T2 a IA misurato a T3. In terzo luogo, per esaminare se l'IA in un punto temporale potesse prevedere l'NMC nel punto temporale successivo, i percorsi con ritardo incrociato da IA a NMC sono stati aggiunti al modello di base (Modello 3, Figura 3). Il risultato ha mostrato che è stato raggiunto un buon adattamento del modello (Tabella 3). Il χ2 test di differenza ha dimostrato che il modello 3 ha dimostrato un adattamento superiore ai dati rispetto al modello 1 (Δχ2 = 47.20, Δdf = 2, Δχ2/ Δdf = 23.60> 6.63). Secondo il modello 3, i coefficienti di percorso standardizzati erano 0.44 (p <0.001) per IA misurato a T1 a NMC misurato a T2 e 0.50 (p <0.001) per IA misurato a T2 a NMC misurato a T3. Ciò indica che IA in un punto temporale era un predittore efficace di NMC nel punto temporale successivo e che l'aggiunta dei due percorsi al modello potrebbe migliorare significativamente l'adattamento del modello. In quarto luogo, il Modello 4 è stato specificato con entrambi i coefficienti di stabilità e l'effetto di ritardo incrociato tra IA e NMC (Modello 4, Figura 3). Il modello si adatta sufficientemente ai dati (Tabella 3). Tuttavia, i modelli 3 e 4 sono nidificati e il χ2 il test di differenza indica che i due modelli hanno funzionato altrettanto bene (Δχ2 = 11.69, Δdf = 2, Δχ2/ Δdf = 5.85 <6.63). Infine, come mostrato nel Modello 4, ad eccezione dei coefficienti di percorso standardizzati per NMC misurati da T1 a IA misurati a T2, il resto dei percorsi con ritardo incrociato tra IA e NMC ha raggiunto un livello significativo. Pertanto, abbiamo eliminato questo percorso e sviluppato il Modello 5. Il modello si adattava sufficientemente ai dati (Tabella 3). Di conseguenza, il modello 5 è stato mantenuto come modello finale per l'analisi a causa dei seguenti motivi: (1) Sebbene i due modelli abbiano funzionato altrettanto bene (Δχ2 = 0.21, Δdf = 1, Δχ2/ Δdf = 0.21 <6.63), il Modello 5 è più semplice e più parsimonioso del Modello 4 e per l'analisi dovrebbero essere selezionati meno parametri. (2) Il χ2 il test di differenza ha dimostrato che il modello 5 ha dimostrato un adattamento migliore ai dati rispetto al modello 3 (Δχ2 = 11.48, Δdf = 1, Δχ2/ Δdf = 11.48> 6.63) e il coefficiente di percorso standardizzato era 0.25 (p <0.001) per NMC misurato a T2 a IA misurato a T3. Cioè, esiste una forte possibilità che NMC misurato a T2 possa prevedere IA misurato a T3.
TABELLA 3. Confronti tra diversi modelli
Differenze di genere
Per verificare se le relazioni cross-lag tra IA e NMC differiscono tra maschi e femmine, abbiamo condotto un'analisi multigruppo. In primo luogo abbiamo stimato il modello adatto per i maschi (Mmaschio) e le femmine (Mla donna) separatamente e gli indici di adattamento erano adeguati per entrambi i sottocampioni (Tabella 4). L'invarianza della misurazione è stata quindi testata per determinare se entrambe le variabili sono state misurate in modo identico per maschi e femmine. Nel modello di misurazione completamente non vincolato (M1), tutti i parametri potevano variare tra i due gruppi. È stato raggiunto un modello accettabile e un modello di misurazione completamente vincolato (M2) è stato quindi analizzato in cui tutti i parametri sono stati fissati identicamente per i due gruppi; il modello si adatta sufficientemente ai dati (Tabella 4). Il χ2 il test di differenza indica che i due modelli hanno funzionato altrettanto bene (Δχ2 = 6.50, Δdf = 15, p = 0.970).
TABELLA 4. Analisi multigruppo tra maschi e femmine.
Per affrontare l'obiettivo di ricerca di questa parte dello studio, abbiamo condotto un'analisi cross-lag multigruppo in base al sesso degli studenti universitari. Sono stati testati tre parametri per esaminare se differivano tra i generi: coefficienti di stabilità, coefficienti di percorso cross-lagged e covarianze tra IA e NMC. Un modello vincolato (M3) è stato specificato in cui tutti e tre i parametri erano identici tra i due gruppi; questo modello ha raggiunto un adattamento del modello soddisfacente (Tabella 4). Il χ2 il test di differenza ha indicato che questo modello si adatta ai dati in modo adeguato come il modello completamente non vincolato (Δχ2 = 1.78, Δdf = 7, p = 0.996), indicando che lo schema generale dei percorsi era invariante tra maschi e femmine.
Discussione
Questo studio ha comportato un sondaggio panel cross-lagged per esplorare la relazione reciproca tra IA e NMC tra le matricole del college cinese. Secondo il modello cognitivo-comportamentale (Davis, 2001), può esistere una relazione reciproca tra le due variabili e NMC è un probabile predittore di IA. Tuttavia, questa ipotesi non è stata pienamente supportata. Durante i primi mesi 2 dello studio, non abbiamo osservato alcun effetto predittivo di NMC su IA; questo non è coerente con i risultati di uno studio precedente (Tian et al., 2015). Nello specifico, NMC sembra non essere la condizione essenziale per la generazione di IA. Questo risultato è probabilmente correlato ai partecipanti allo studio corrente. In questo studio, i partecipanti al sondaggio erano matricole del college cinese che avevano recentemente completato un rigoroso esame di ammissione, vale a dire "Gaokao". Per ottenere l'ammissione al college, gli studenti devono esercitare un grande sforzo durante la loro istruzione elementare e secondaria; di conseguenza, pochi di loro hanno ampio tempo per utilizzare Internet (Li e Liang, 2007). Pertanto, il livello di NMC era più basso quando i partecipanti si iscrivevano al college, il che avrebbe potuto impedire un'influenza significativa sulla generazione di IA. Durante il periodo universitario, numerosi altri fattori possono indurre le persone a diventare dipendenti da Internet. Ad esempio, l'anonimato e l'assenza di segnali non verbali e demografici forniti da Internet possono essere di beneficio per il benessere degli studenti attraverso la sua offerta di sollievo dal disagio emotivo (Caplan e Turner, 2007) e migliorare le percezioni del supporto sociale e dell'autostima (Kraut et al., 2002), oltre ad ampliare la gamma di relazioni interpersonali (Cotten, 2008). Inoltre, i tratti della personalità possono svolgere un ruolo fondamentale nella generazione di IA durante questo periodo (Mike et al., 2014). Per esempio, le persone con un'alta capacità di controllo dello sforzo erano più efficaci nel sopprimere gli atti impulsivi quando tentavano con Internet, come menzionato in precedenza. Al contrario, le persone con alti livelli di ricerca della sensazione erano più inclini a sviluppare comportamenti di dipendenza (Zhang et al., 2015). Tuttavia, lo stress accademico delle matricole cinesi è diminuito significativamente dopo l'ingresso al college e hanno avuto più tempo per utilizzare Internet (Li e Liang, 2007). Pertanto, potrebbero aver gradualmente sviluppato varie risposte cognitive verso Internet attraverso le proprie esperienze o esperienze di scambio tra pari, che di conseguenza hanno influenzato il loro livello di IA (Wang et al., 2015).
Secondo il modello cognitivo-comportamentale (Davis, 2001), L'IA potrebbe avere un impatto negativo su NMC (Caplan, 2010). Tuttavia, sono stati condotti pochi studi empirici per verificare questa ipotesi e pochi ricercatori hanno proposto teorie per spiegare questo fenomeno. Tuttavia, l'evidenza empirica dello studio attuale suggerisce che l'IA aveva una priorità predittiva nella sua relazione con l'NMC, che potrebbe influenzare sia la generazione che lo sviluppo di NMC. Alcuni ricercatori hanno esplorato i comportamenti di gioco online negli adolescenti cinesi. Hanno riferito che i comportamenti di gioco online potrebbero influenzare significativamente la cognizione dei giochi online perché il cambiamento delle cognizioni relative ai giochi online era un metodo efficace per alleviare il disagio causato dalle incoerenze tra comportamento e pensiero (Wang et al., 2015). Pertanto, abbiamo applicato la teoria della dissonanza cognitiva come un modello esplicativo per discutere il meccanismo di effetto predittivo di IA su NMC (Cooper, 2007). Secondo questa teoria, quando le persone diventano consapevoli delle incoerenze, sperimentano disagio o dissonanza, che sollecita gli sforzi per ridurre questa esperienza e riguadagnare la coerenza adattando i loro atteggiamenti, percezioni o comportamenti fino a quando tali incoerenze non vengono risolte (de Vries e Timmins, 2016). La maggior parte delle persone potrebbe essere in grado di adattare il proprio comportamento con successo per ridurre questa dissonanza. Tuttavia, alcune persone tendono a giustificare comportamenti che sembrano ridurre la dissonanza, usando ragioni come "Posso ricevere più rispetto online che 'nella vita reale", "Mi sento più sicuro quando su Internet" o "Usare Internet è un un modo per dimenticare le cose che devo fare ma che non desidero fare ". Quando le persone si convincono che essere dipendenti da Internet è ragionevole, la dissonanza si riduce e si sentono meglio. Tuttavia, il metodo efficace per ridurre il disagio della dissonanza tende a essere ripetuto quando si verifica un'altra violazione identica, il che è problematico (de Vries e Timmins, 2016). Cioè, quando tali NMC sono stati stabiliti dagli studenti, il successivo uso eccessivo di Internet non produce lo stesso livello di disagio, che aumenta ulteriormente l'uso eccessivo di Internet. In sintesi, la generazione e lo sviluppo di IA sono causati da un circolo vizioso che coinvolge NMC e un uso eccessivo di Internet, e IA ha la priorità predittiva nella sua relazione con NMC.
I risultati indicano differenze significative nelle variabili chiave tra maschi e femmine. Questo è incoerente con i risultati di molti altri studi (Müller et al., 2014). Ciò è probabilmente dovuto al rapido sviluppo delle tecnologie di elaborazione e di rete, che hanno considerevolmente cambiato le apparecchiature terminali di rete e le loro applicazioni (Daniel et al., 2012; Mike e Zhong, 2014). Ad esempio, nella società contemporanea, i telefoni cellulari sono diventati gradualmente il mezzo principale di accesso a Internet e una varietà di attività, come lo shopping e la navigazione, possono essere eseguite con loro. Sia i maschi che le femmine godono della maggior parte di tali attività (San, 2015). Inoltre, i risultati dell'analisi cross-lag multigruppo rivelano che i percorsi trovati tra IA e NMC erano gli stessi per maschi e femmine. Cioè, i processi che portano alla IA possono essere identici per entrambi i sessi, e il modello finale stabilito nel presente studio possiede quindi un'ampia applicabilità e significato pratico per le matricole del college cinese.
Per identificare ulteriormente il meccanismo generativo e di sviluppo della IA, abbiamo proposto un modello teorico basato sui risultati trovati in questo studio e sul modello cognitivo-comportamentale proposto da Davis (Figura 4). Secondo questo modello, la generazione e lo sviluppo di IA sono il risultato di un circolo vizioso che coinvolge IA e NMC, e questo ciclo è principalmente causato dal disagio causato dalle incoerenze tra comportamento e pensiero (de Vries e Timmins, 2016). Poiché questo ciclo inizia principalmente con l'uso eccessivo di Internet, è necessario attenuare questo circolo vizioso all'inizio del semestre attraverso vari metodi. Tuttavia, a causa del forte appeal di Internet per i giovani, è difficile evitare completamente la IA tra le matricole del college. Secondo la teoria della dissonanza cognitiva, quando alcuni di loro diventano dipendenti da Internet, esistono due metodi per ridurre il disagio causato dalle incoerenze tra comportamento e pensiero. Il primo metodo prevede il cambiamento del comportamento online e il secondo metodo prevede l'adattamento delle cognizioni per sviluppare giustificazioni per il comportamento di dipendenza. Il secondo metodo è evidentemente preferito. Pertanto, questo modello può fornire supporto teorico per i piani di prevenzione e di riparazione per l'IA tra gli studenti cinesi all'inizio degli anni universitari.
FIGURA 4. Modello teorico del presente studio.
Limitazioni e direzioni future
Notevoli sono le limitazioni di questo studio. Innanzitutto, sebbene abbiamo proposto un modello teorico per la generazione e lo sviluppo di IA, questo modello non è stato pienamente convalidato nello studio attuale e ci siamo concentrati solo sulla relazione reciproca tra IA e NMC. Come tale, ulteriori ricerche empiriche dovrebbero essere condotte per verificare questo modello. Inoltre, questo modello teorico potrebbe non essere riuscito ad affrontare l'influenza di molti altri fattori come le emozioni e l'ambiente esterno. Pertanto, per affrontare questo problema dovrebbero essere sviluppati modelli teorici più sofisticati. In secondo luogo, per esplorare la relazione reciproca tra IA e NMC, questo studio ha condotto tre sondaggi da settembre 2015 a gennaio 2016. Tuttavia, il lasso di tempo dei tre sondaggi potrebbe essere stato troppo breve per rilevare una variazione stabile nel tempo. La tendenza allo sviluppo potrebbe essere distinta nei periodi successivi durante la vita del college degli studenti. Quindi, è necessaria un'ulteriore esplorazione di questo problema nei restanti anni del loro tempo al college. Infine, l'uso di un comodo campione di matricole del college in questo studio era necessario a causa di vincoli che coinvolgevano le finanze e le risorse umane. Questo campione ha coinvolto solo i partecipanti 213, tutti provenienti dall'università della provincia di Shandong, in Cina. Le differenze economiche e culturali tra le province possono influenzare le relazioni tra le due variabili chiave che coinvolgono le matricole del college. Pertanto, lo studio dovrebbe essere replicato con un campione più ampio che coinvolge diverse regioni della Cina.
Contributi degli autori
PH ha contribuito alla concezione iniziale dell'idea e alla scrittura del manoscritto. PW e FG hanno contribuito alle revisioni critiche. QL e YT hanno aiutato a completare la raccolta e l'analisi dei dati. Tutti gli autori hanno approvato la versione finale del manoscritto per la pubblicazione.
Finanziamento
Questa ricerca è stata supportata dal Programma di ricerca scientifica Humanities-Society della provincia di Shandong (J16YG21), dal programma scientifico artistico della provincia di Shandong (ZX2015021) e dal programma di ricerca scientifica Humanities-Society della Heze University (XY16SK09).
Dichiarazione di conflitto di interessi
Gli autori dichiarano che la ricerca è stata condotta in assenza di relazioni commerciali o finanziarie che potrebbero essere interpretate come un potenziale conflitto di interessi.
Riferimenti
Ahmadi, K. e Saghafi, A. (2013). Profilo psicosociale della dipendenza da internet degli adolescenti iraniani. Cyberpsychol. Behav. Soc. Rete. 16, 543-548. doi: 10.1089 / cyber.2012.0237
Ayas, T. e Horzum, MB (2013). Relazione tra depressione, solitudine, autostima e dipendenza da internet. Istruzione 133, 183-190.
Bai, Y. e Fan, FM (2005). Uno studio sulla dipendenza da Internet degli studenti universitari: la revisione e l'applicazione di una misurazione. Psychol. Dev. Educ. 4, 99-104. doi: 10.3969 / j.issn.1001-4918.2005.04.019
Bessière, K., Kiesler, S., Kraut, R. e Boneva, BS (2008). Effetto dell'uso di Internet e delle risorse sociali sui cambiamenti nella depressione. Far sapere. Commun. Soc. 11, 47-70. doi: 10.1080 / 13691180701858851
Caplan, S. (2010). Teoria e misurazione del problema generalizzato dell'uso di Internet: un approccio in due fasi. Comput. Ronzio. Behav. 26, 1089-1097. doi: 10.1016 / j.chd.2010.03.012
Caplan, SE e Turner, JS (2007). Portare la teoria alla ricerca sulla comunicazione confortante mediata dal computer. Comput. Ronzio. Behav. 23, 985-998. doi: 10.1016 / j.chb.2005.08.003
Chen, SK (2012). Uso di Internet e benessere psicologico tra studenti universitari: un approccio al profilo latente. Comput. Ronzio. Behav. 28, 2219-2226. doi: 10.1016 / j.chb.2012.06.029
Chiou, WB e Wan, CS (2007). Usare la dissonanza cognitiva per indurre gli adolescenti a fuggire dall'artiglio del gioco online: i ruoli della responsabilità personale e la giustificazione del costo. CyberPsychol. Behav. 10, 663-670. doi: 10.1089 / cpb.2007.9972
Chuang, C. (2006). Convulsioni massive di giochi di ruolo online multigiocatore: un problema di salute trascurato nella dipendenza da Internet. Cyberpsychol. Behav. 9, 451-456. doi: 10.1089 / cpb.2006.9.451
Cooper, J. (2007). Dissonanza cognitiva: 50 Anni di una teoria classica. Londra: Sage.
Cotten, SR (2008). Uso della tecnologia degli studenti e impatti sul benessere. New Dir. Perno. Serv. 124, 55-70. doi: 10.1002 / ss.295
Daniel, LK, Paul, HD, Mark, DG e Michael, G. (2012). Approccio cognitivo-comportamentale per la cura del paziente della dipendenza da Internet nei bambini e negli adolescenti. J. Clin. Psychol. 68, 1185-1195. doi: 10.1002 / jclp.21918
Davis, RA (2001). Un modello comportamentale cognitivo di uso internet patologico. Comput. Ronzio. Behav. 17, 187–195. doi: 10.1016/S0747-5632(00)00041-8
de Vries, J. e Timmins, F. (2016). Erosione della cura negli ospedali: problemi nella pratica infermieristica riflessiva e ruolo della dissonanza cognitiva. Infermiera Educ. Oggi 38, 5-8. doi: 10.1016 / j.nedt.2015.12.007
Festinger, L. (1957). Una teoria della dissonanza cognitiva. Evanston, IL: Row, Peterson.
Forrest, CJ, King, DL e Delfabbro, PH (2016). La misurazione delle cognizioni maladattive alla base del gioco problematico di videogiochi tra gli adulti. Comput. Ronzio. Behav. 55, 399-405. doi: 10.1016 / j.chb.2015.09.017
Forrest, CJ, King, DL e Delfabbro, PH (2017). Le cognizioni disadattive predicono cambiamenti nei giochi problematici in adulti molto impegnati: uno studio longitudinale di 12 al mese. Dipendente. Behav. 65, 125-130. doi: 10.1016 / j.addbeh.2016.10.013
Fu, KW, Chan, WS, Wong, PW e Yip, PS (2010). Dipendenza da Internet: prevalenza, validità discriminante e correlazione tra gli adolescenti di Hong Kong. Br. J. Psychiatry 196, 486-492. doi: 10.1192 / bjp.bp.109.075002
Georgios, F., Konstantinos, S., Ariadni, S., Loannis, G. e Georgios, G. (2014). La relazione tra personalità, stili di difesa, disordine da dipendenza da internet e psicopatologia negli studenti universitari. Cyberpsychol. Behav. Soc. Netw. 17, 6722-6676. doi: 10.1089 / cyber.2014.0182
Holbert, RL e Stephenson, MT (2002). Modellazione di equazioni strutturali nelle scienze della comunicazione, 1995-2000. Ronzio. Commun. Res. 28, 531–551. doi: 10.1111/j.1468-2958.2002.tb00822.x
Joseph, CP, Philip, P., Baljinder, S., Sarah, M., Chris, J., Andrew, TG, et al. (2016). Lo sviluppo dell'uso compulsivo di internet e della salute mentale: uno studio di quattro anni sull'adolescenza. Dev. Psychol. 52, 272-283. doi: 10.1037 / dev0000070
Kalkan, M. (2012). Produttività delle distorsioni cognitive interpersonali sul problematico uso di internet degli studenti universitari. Bambino. Servizio giovanile Rev. 34, 1305-1308. doi: 10.1016 / j.childyouth.2012.03.003
Kim, EJ, Namkoong, K., Ku, T. e Kim, SJ (2008). La relazione tra dipendenza del gioco online e aggressività, autocontrollo e tratti di personalità narcisistica. Euro. Psichiatria 23, 212-218. doi: 10.1016 / j.eurpsy.2007.10.010
King, DL e Delfabbro, PH (2014). La psicologia cognitiva del disordine di gioco in Internet. Clin. Psychol. Rev. 34, 298-308. doi: 10.1016 / j.cpr.2014.03.006
King, DL e Delfabbro, PH (2016). La psicopatologia cognitiva del disturbo da gioco su internet in adolescenza. J. Psychol infantile anormale. 44, 1635–1645. doi: 10.1007/s10802-016-0135-y
Kraut, R., Kiesler, S., Boneva, B., Cummings, J., Helgeson, V. e Crawford, A. (2002). Paradosso di Internet rivisitato. J. Soc. Problemi 58, 49-74. doi: 10.1111 / 1540-4560.00248
Li, DL, Zhang, W., Wang, YH e Li, DP (2013). Controllo psicologico materno e uso problematico di Internet da parte degli adolescenti: il ruolo di mediazione della cognizione maladattiva. Psychol. Sci. 36, 411-416.
Li, H. e Wang, S. (2013). Il ruolo della distorsione cognitiva nella dipendenza dai giochi online tra gli adolescenti cinesi. Bambino. Servizio giovanile Rev. 35, 1468-1475. doi: 10.1016 / j.childyouth.2013.05.021
Li, N. e Liang, NJ (2007). Uno studio sul fondamento cognitivo del disturbo da dipendenza da internet degli studenti universitari. Psychol. Sci. 30, 65-68. doi: 10.3969 / j.issn.1671-6981.2007.01.015
Liu, GC, Jen, JY, Chen, CY, Yen, CF, Chen, CS, Lin, WC, et al. (2014). Attivazione del cervello per l'inibizione della risposta durante la distrazione di giochi d'azzardo nel disturbo del gioco su Internet. Kaohsiung J. Med. Sci. 30, 43-51. doi: 10.1016 / j.kjms.2013.08.005
Liu, QX, Fang, XY, Deng, LY e Zhang, JT (2012). Comunicazione genitore-adolescente, uso parentale di internet e norme specifiche per Internet e uso patologico di Internet tra gli adolescenti cinesi. Comput. Ronzio. Behav. 28, 1269-1275. doi: 10.1016 / j.chb.2012.02.010
Lu, X. e Yeo, KJ (2015). Uso patologico di Internet tra gli studenti universitari della Malesia: fattori di rischio e ruolo della distorsione cognitiva. Comput. Ronzio. Behav. 45, 235-242. doi: 10.1016 / j.chb.2014.12.021
Mai, Y., Hu, J., Yan, Z., Zhen, S., Wang, S. e Zhang, W. (2012). Struttura e funzione delle cognizioni maladattive nell'uso patologico di Internet tra gli adolescenti cinesi. Comput. Ronzio. Behav. 28, 2376-2386. doi: 10.1016 / j.chb.2012.07.009
Mike, ZY, He, J., Deborah, MK e Pang, KC (2014). L'influenza dei comportamenti della personalità e l'autostima sulla dipendenza da Internet: uno studio sugli studenti universitari cinesi. Cyberpsychol. Behav. Soc. Rete. 17, 104-110. doi: 10.1089 / cyber.2012.0710
Mike, ZY e Zhong, ZJ (2014). Solitudine, contatti sociali e dipendenza da Internet: uno studio di panel cross-lagged. Comput. Ronzio. Behav. 30, 164-170. doi: 10.1016 / j.chb.2013.08.007
Müller, KW, Glaesmer, H., Brähler, E., Woelfling, K. e Beutel, ME (2014). Prevalenza della dipendenza da Internet nella popolazione generale: risultati di un'indagine basata sulla popolazione tedesca. Behav. Far sapere. Technol. 33, 757-766. doi: 10.1080 / 0144929X.2013.810778
Ni, XL, Yan, H., Chen, SL e Liu, ZG (2009). Fattori che influenzano la dipendenza da Internet in un campione di studenti universitari in Cina. Rapid Commun. 12, 327-330. doi: 10.1089 / cpb.2008.0321
Peng, W. e Liu, M. (2010). Dipendenza dai giochi online: uno studio preliminare in Cina. Cyberpsychol. Behav. Soc. Rete. 13, 329-333. doi: 10.1089 / cyber.2009.0082
San, C. (2015). Il CNNIC ha pubblicato il trentacinquesimo rapporto sulle statistiche di sviluppo della Cina. Dis. Educ. Cina 4, 99-104. doi: 10.13541 / j.cnki.chinade.2015.02.006
Shaw, M. e Black, DW (2008). Dipendenza da Internet: definizione, valutazione, epidemiologia e gestione clinica. Droghe del CNS 22, 353–365. doi: 10.2165/00023210-200822050-00001
Shek, DTL, Sun, RCF e Yu, L. (2013). "Dipendenza da Internet", in Neuroscienze nel secolo 21st: dalla base alla clinica, ed. DW Pfaff (New York, NY: Springer), 2775-2811. doi: 10.1007 / 978-1-4614-1997-6_108
Tian, Y., Bian, YL, Han, PG, Gao, FQ e Wang, P. (2017). Associazioni tra fattori psicosociali e uso patologico generalizzato di internet in studenti universitari cinesi: un'analisi longitudinale incrociata. Comput. Ronzio. Behav. 72, 178-188. doi: 10.1016 / j.chb.2017.02.048
Tian, Y., Bian, YL, Han, PG, Wang, P. e Gao, FQ (2015). L'effetto della timidezza sulla dipendenza da Internet: gli effetti di mediazione della tendenza all'immersione e della cognizione disadattativa connessa alla rete. Mento. J. Spec. Educ. 12, 83-89. doi: 10.3969 / j.issn.1007-3728.2015.12.014
Tokunaga, RS e Rains, SA (2010). Una valutazione di due caratterizzazioni delle relazioni tra l'uso problematico di internet, il tempo trascorso con Internet e i problemi psicosociali. Ronzio. Commun. Res. 36, 512-545. doi: 10.1111 / J.1468-2958.2010.01386.X
Tsai, HF, Cheng, SH, Yeh, TL, Shih, CC, Chen, KC, Yang, YC, et al. (2009). Il fattore di rischio della dipendenza da Internet: un'indagine sulle matricole dell'università. Resistenza psichiatrica 167, 294-299. doi: 10.1016 / j.psychres.2008.01.015
Van den Eijnden, RJJM, Spijkerman, R., Vermulst, AA, Van Rooij, TJ e Engles, RCME (2010). Uso compulsivo di Internet tra gli adolescenti: relazioni bidirezionali genitori-figli. J. Abnorm. Psychol infantile. 38, 77–89. doi: 10.1007/s10802-009-9347-8
Van Lier, PA, Vitaro, F., Barker, ED, Brendgen, M., Tremblay, RE e Boivin, M. (2012). Vittimizzazione tra pari, scarso rendimento scolastico e legame tra esternalizzazione dell'infanzia e problemi interiorizzanti. Child Dev. 83, 1775-1788. doi: 10.1111 / j.1467-8624.2012.01802.x
Wang, T., Wei, H., Zhou, ZK, Xiong, J., Li, X., Yang, X., et al. (2015). Rapporti tra proporzione del giocatore pari, cognizione maladattiva e dipendenza del gioco online. Mento. J. Clin. Psychol. 23, 487-493. doi: 10.16128 / j.cnki.1005-3611.2015.03.023
Wen, ZL, Chang, L. e Hou, JT (2006). Moderatore mediato e mediatore moderato. Acta Psychol. Peccato. 38, 448-452.
Woodhouse, SS, Dykas, MJ e Jude, C. (2012). Solitudine e relazioni tra pari nell'adolescenza. Rev. Soc. Dev. 21, 273-293. doi: 10.1111 / j.1467-9507.2011.00611.x
Yang, LS, Sole, L., Zhang, ZH, Sole, YH, Wu, HY e Ye, DQ (2014). Dipendenza da Internet, depressione adolescenziale e ruolo di mediazione degli eventi della vita: da un campione di adolescenti cinesi. Int. J. Psychol. 49, 342-347. doi: 10.1002 / ijop.12063
Young, KS e de Abreu, CN (2011). Dipendenza da Internet: un manuale e guida alla valutazione e al trattamento. Hoboken, NJ: Wiley.
Young, KS, Pistner, M., O'Mara, J. e Buchanan, J. (1999). Cyber-disturbi: la preoccupazione per la salute mentale per il nuovo millennio. Cyberpsychol. Behav. 2, 475-479. doi: 10.1089 / cpb.1999.2.475
Yuan, YC, Shao, AH, Liang, LC e Bian, YF (2014). Un'analisi cross-lag della relazione tra unsociability, peer rejection e peer victimization. Psychol. Dev. Educ. 30, 16-23.
Zhang, HY, Li, DP e Li, X. (2015). Temperamento e uso problematico di Internet negli adolescenti: un modello moderato di mediazione della cognizione disadattativa e degli stili genitoriali. J. Child Family Stud. 24, 1886–1897. doi: 10.1007/s10826-014-9990-8
Zhang, JT, Chen, C., Wang, LJ, Liu, L., Liu, FE, Zhao, HC, et al. (2014). La relazione tra il tempo trascorso online e la dipendenza da Internet tra le matricole del college cinese: un modello di moderazione mediato. Acta Psychol. Peccato. 30, 65-68. doi: 10.3969 / j.issn.1671-6981.2007.01.015
Zhou, Z., Yuan, G. e Yao, J. (2012). Pregiudizi cognitivi nei confronti delle immagini relative ai giochi su Internet e dei deficit esecutive in individui con una dipendenza da giochi su Internet. PLoS ONE 7: e48961. doi: 10.1371 / journal.pone.0048961
Keywords: Dipendenza da Internet, cognizione disadattativa correlata alla rete, matricola del college, sondaggio panel cross-lagged, cinese
Citation: Han P, Wang P, Lin Q, Tian Y, Gao F e Chen Y (2017) Relazione reciproca tra dipendenza da Internet e cognizione maladattiva legata alla rete tra le matricole del college cinese: un'analisi longitudinale trasversale. Davanti. Psychol. 8: 1047. doi: 10.3389 / fpsyg.2017.01047
Ricevuto: 13 March 2017; Accettato: 08 June 2017;
Pubblicato: 22 June 2017.
A cura di:
Qinghua He, Università del sud-ovest, Cina
Recensito da:
Guangheng Dong, Università normale di Zhejiang, Cina
Jennifer Kennel, Universitätsklinikum des Saarlandes, Germania
Copyright © 2017 Han, Wang, Lin, Tian, Gao e Chen. Questo è un articolo ad accesso libero distribuito secondo i termini del Licenza Creative Commons Attribution (CC BY). L'uso, la distribuzione o la riproduzione in altri forum è permesso, a condizione che l'autore o gli autori originali siano accreditati e che la pubblicazione originale in questo giornale sia citata, in conformità con la pratica accademica accettata. È vietato l'uso, la distribuzione o la riproduzione che non siano conformi a questi termini.
;