PLoS တစ်ခုမှာ။ 2017 ဇွန် 21; 12 (6): e0177629 ။ Doi: 10.1371 / journal.pone.0177629 ။
Choi J ကို1, Rho MJ2, ကင်မ် Y ကို3, Yook ih2, ယု H ကို1, Kim က DJ သမား4, Choi IY2.
ြဒပ်မဲ့သော
အလွန်အကျွံစမတ်ဖုန်းအသုံးပြုမှုပုဂ္ဂိုလ်ရေးနှင့်လူမှုရေးပြဿနာများကိုဖြစ်ပေါ်စေသည်။ ဤပြဿနာကိုဖြေရှင်းရန်ကျနော်တို့ကိုတိုက်ရိုက်အသုံးပြုမှုဒေတာအပေါ်အခြေခံပြီးစမတ်ဖုန်းမှီခိုဆက်နွယ်နေကြောင်းခဲ့အသုံးပြုမှုပုံစံများရယူထားခြင်းငှါရှာကြံလေ၏။ ဒီလေ့လာမှုကဒေတာ-မောင်းနှင်ခန့်မှန်း algorithm ကိုသုံးပြီးစမတ်ဖုန်းမှီခိုခွဲခြားဖို့ကြိုးစားခဲ့တယ်။ ကျနော်တို့စမတ်ဖုန်းအသုံးပြုမှုဒေတာစုဆောင်းရန်မိုဘိုင်း application ကိုတီထွင်ခဲ့သည်။ 41,683 စမတ်ဖုန်းသုံးစွဲသူ 48 သစ်လုံးစုစုပေါင်းဇန်နဝါရီလ 8, 2015 ရန်, မတ်လ 8, 2016 ထံမှကောက်ယူခဲ့ကြသည်။ သင်တန်းသားများကိုလူကြီးများ (S-Scale ကို) အတွက်ကိုရီးယားစမတ်ဖုန်းစွဲကျရောက်နေတဲ့စကေးသုံးပြီးထိန်းချုပ်အုပ်စုသည် (SUC) သို့မဟုတ်စွဲအုပ်စုသည် (Sud) သို့ခွဲခြားနှင့်စိတ်ရောဂါများကတစ်ဦးမျက်နှာကို-to-မျက်နှာအော့ဖ်လိုင်းအင်တာဗျူးနှင့်လက်တွေ့စိတ်ပညာရှင် (SUC ခဲ့ကြသည် = 23 နှင့် Sud = 25) ။ 1 မိုဘိုင်းစျေးဝယ်, 2) ဖျော်ဖြေရေးနှင့် 3)), ညအချိန်တွင် SNS နေ့ခင်းဘက်, 4) ကို web surfing, 5) စဉ်အတွင်း 6) လူမှုရေးကွန်ယက်န်ဆောင်မှု (SNS): ကျနော်တို့ tensor Factor သုံးပြီးအသုံးပြုမှုပုံစံများဆင်းသက်လာပြီးအောက်ပါခြောက်လအကောင်းဆုံးအသုံးပြုမှုပုံစံများကိုတွေ့ရှိခဲ့ ညအချိန်တွင်ဂိမ်းကစားခြင်း။ ခြောက်နိုင်ငံပုံစံများ၏အဖွဲ့ဝင်အဖြစ် virus သယ်ဆောင်သည့်ကုန်ကြမ်းဒေတာထက်သိသိသာသာပိုကောင်းခန့်မှန်းစွမ်းဆောင်ရည်ရရှိခဲ့သည်။ အားလုံးပုံစံများအဘို့, Sud ၏အသုံးပြုမှုဆ SUC များထက်အများကြီးပိုရှည်ခဲ့သညျ။ ကျွန်တော်တို့ရဲ့တွေ့ရှိချက်ကနေကျနော်တို့အသုံးပြုမှုပုံစံများနှင့်အဖွဲ့ဝင် virus သယ်ဆောင်အကဲဖြတ်ရန်နှင့်ကြိုတင်ခန့်မှန်းစမတ်ဖုန်းမှီခိုနှင့်သုံးစွဲမှုဒေတာအပေါ်အခြေခံပြီးစမတ်ဖုန်းမှီခိုကြိုတင်ခန့်မှန်းခြင်းနှင့်ဆက်ဆံဖို့ထားတဲ့ဝင်ရောက်စွက်ဖက်မှုလမ်းညွှန်ပေးနိုင်မှထိရောက်သော tools များဖြစ်ကြောင်းကောက်ချက်ချခဲ့ကြသည်။
PMID: 28636614
PMCID: PMC5479529
Doi: 10.1371 / journal.pone.0177629
;