Wpływ uzależnień od Internetu i smartfonów od depresji i lęku na podstawie analizy dopasowywania wyników skłonności (2018)

Int J Environ Res Public Health. 2018 Apr 25; 15 (5). pii: E859. doi: 10.3390 / ijerph15050859.

Kim YJ1, Jang HM2, Lee Y3, Lee D4, Kim DJ5.

Abstrakcyjny

Szeroko badano związki uzależnienia od Internetu (IA) i uzależnienia od smartfonów (SA) z problemami ze zdrowiem psychicznym. Zbadaliśmy wpływ IA i SA na depresję i lęk, dostosowując się do zmiennych socjodemograficznych. W tym badaniu uczestnicy 4854 wypełnili przekrojową ankietę internetową, w tym pozycje społeczno-demograficzne, koreańską skalę uzależnienia od Internetu, skalę podatności na uzależnienie od smartfonów oraz podskale listy kontrolnej objawów 90 pozycji poprawionych. Uczestnicy zostali podzieleni na grupy IA, SA i normalnego użytkowania (NU). Aby zmniejszyć błąd próbkowania, zastosowaliśmy metodę dopasowywania wyniku skłonności opartą na dopasowywaniu genetycznym. Grupa IA wykazała zwiększone ryzyko depresji (ryzyko względne 1.207; p < 0.001) i lęku (ryzyko względne 1.264; p < 0.001) w porównaniu z NU. Grupa SA wykazała również zwiększone ryzyko depresji (ryzyko względne 1.337; p < 0.001) i lęku (ryzyko względne 1.402; p < 0.001) w porównaniu z NC. Odkrycia te pokazują, że zarówno IA, jak i SA wywarły znaczący wpływ na depresję i lęk. Co więcej, nasze odkrycia wykazały, że SA ma silniejszy związek z depresją i lękiem, silniejszy niż IA, i podkreślił potrzebę polityki zapobiegania i zarządzania nadmiernym korzystaniem ze smartfonów.

SŁOWA KLUCZOWE:  Uzależnienie od Internetu; Lęk; depresja; ocena skłonności; uzależnienie od smartfona

PMID: 29693641

DOI: 10.3390 / ijerph15050859

 

1. Wstęp

Wraz z rosnącym wykorzystaniem i wygodą Internetu i smartfonów w życiu codziennym, zgromadzone badania wykazały negatywne skutki nadmiernego korzystania z Internetu i smartfonów w sferze zdrowia psychicznego [1].
Wskaźnik użytkowników smartfonów w populacji Korei Południowej wynosi około 85% i jest najwyższy na świecie [2]. Jednak nadmierne korzystanie ze smartfona jest silnie związane z szeregiem problemów ze zdrowiem psychicznym, w tym ze stresem i zwiększonym ryzykiem nieprawidłowego lęku [3,4]. Uzależnienie od smartfonów (SA) pojawiło się jako nowa forma uzależnienia wraz z uzależnieniami od Internetu (IA), a w ostatnich latach zwrócono uwagę na kliniczną charakterystykę SA [5]. Na przykład istnieją pewne różnice dotyczące charakteru urządzeń, takie jak łatwość przenoszenia, dostęp do Internetu w czasie rzeczywistym i funkcje bezpośredniej komunikacji smartfonów [6]. Zgłoszono podobieństwa i różnice między IA i SA w odniesieniu do zmiennych demograficznych i motywacyjnych aspektów korzystania z mediów [1,6].
Od strony środowiskowej brak alternatywnych działań wiąże się z OW [7]. Ponadto stwierdzono, że bycie singlem jest silnie związane zarówno z siecią społecznościową, jak i grami online [8]. Jeśli chodzi o poziom wykształcenia i wymiary miesięcznego dochodu, ostatnie badanie osób z SA wykazało znaczne różnice w wymiarze zdrowotnym na korzyść osób o niższych dochodach i niższym poziomie wykształcenia [9]. Zgodnie z tym odkryciem przegląd systematyczny wykazał istotną korelację między wynikami w nauce a nasileniem IA [10]. Jeśli chodzi o wiek, niedawny przegląd wykazał, że problematyczne korzystanie z Internetu jest najbardziej istotne zarówno dla nastolatków, jak i wschodzących dorosłych (19 lat i starszych) [10], podczas gdy uzależnienie od smartfonów jest bardziej rozpowszechnione wśród młodszych nastolatków w porównaniu z wschodzącymi dorosłymi (19 lat i starsi) [11]. Niedawne badanie wykazało, że kobiety mają wyższy średni dzienny czas użytkowania i wskaźniki zależności od smartfonów w porównaniu z mężczyznami [4]. Choi i in. (2015) podali, że płeć męska ma istotny czynnik ryzyka IA, a płeć żeńska SA [1]. Jeśli chodzi o cel użytkowania, sieci społecznościowe okazały się silniej związane z dużym uzależnieniem od smartfona w porównaniu z innymi funkcjami związanymi z telefonem komórkowym [11]. U osób z IA Anderson i in. (2016) stwierdzili, że płeć męska była istotnie związana z grami komputerowymi online [10].
Jeśli chodzi o aspekty psychologiczne, szeroko opisywano pozytywne związki IA i SA z depresją i lękiem [12,13]. Ostatnie badania sugerują, że uzależnienie od Internetu i smartfonów może wynikać z indywidualnego profilu poznawczo-emocjonalnego i behawioralnego użytkownika, a nie z samego medium [14,15,16]. W niedawnym badaniu zaobserwowano rolę empatii i zadowolenia z życia zarówno w IA, jak i SA [17]. Jeśli chodzi o psychopatologię, kilka badań wykazało pozytywną korelację między IA, depresją i lękiem [18,19,20], podczas gdy ostatnie badanie wykazało związek między używaniem smartfona a nasileniem, depresją i lękiem [13]. W związku z tym należy dokładnie określić wzajemne powiązania między IA, SA a problemami ze zdrowiem psychicznym. Ponadto, biorąc pod uwagę zarówno nakładanie się, jak i różnice między IA i SA [16], to powstaje pytanie, w jakim stopniu IA i SA są powiązane ze wzrostem poziomu depresji i lęku po skorygowaniu zakłócających czynników demograficznych i społeczno-ekonomicznych?
Nie jest jasne, czy problemy ze zdrowiem psychicznym są przyczyną czy konsekwencją nadmiernego polegania na Internecie i smartfonach. W badaniach przekrojowych wykorzystano analizy regresji wielokrotnej w celu zbadania związków między problemami ze zdrowiem psychicznym, IA i SA u ludzi [21]. Jednak w badaniach obserwacyjnych, w których brakuje randomizacji, analiza regresji wielokrotnej ma ograniczenia, takie jak możliwość przeszacowania i niski błąd standardowy, gdy występuje wiele zmiennych towarzyszących, oprócz błędu selekcji [22]. Zatem oszacowanie skutków uzależnienia poprzez zwykłe zbadanie konkretnego wyniku, takiego jak depresja i lęk, byłoby obciążone brakiem równowagi czynników demograficznych i społeczno-ekonomicznych związanych z IA i SA. Co więcej, żadne badania nie zbadały jeszcze zróżnicowanych skutków IA i SA w zależności od cech użytkowników Internetu i smartfonów, w tym kontekstów środowiskowych i profili psychologicznych użytkowników, na depresję i lęk. Dopasowywanie wyników skłonności (PSM) stało się popularnym podejściem do zmniejszania błędu selekcji w badaniach obserwacyjnych [23,24]. W tym artykule zastosowaliśmy analizę PSM, aby zbadać wpływ IA i SA na depresję i lęk, aby zmniejszyć błąd selekcji w naszych danych. Wybraliśmy płeć, wiek, wykształcenie, stan cywilny i dochód jako zmienną zakłócającą, biorąc pod uwagę związek tych zmiennych socjodemograficznych z IA i SA w naszym badaniu [9,25].
Głównym celem niniejszego badania jest zbadanie wzajemnych zależności między IA, SA a stanem nastroju, czyli depresją i lękiem, za pomocą analizy dopasowywania wyników skłonności. Po drugie, staramy się odkryć, w jaki sposób skutki depresji i lęku różnią się między IA a SA.

 

 

2. Materiały i metody

 

 

2.1. Uczestnicy badania

Dane obejmowały anonimowe ankiety dotyczące samodiagnozy online 5003 dorosłych Koreańczyków (w wieku 19–49 lat), przeprowadzone przez Katolicki Uniwersytet Korei w Seulu; i Szpital Mariacki w grudniu 2014 r. [26]. Badanie przeprowadzono zgodnie z Deklaracją Helsińską. Instytucjonalne komisje rewizyjne Katolickiego Uniwersytetu Korei w Seulu; i St. Mary's Hospital zatwierdziły to badanie. Wszyscy uczestnicy zostali poinformowani o badaniu i wyrazili pisemną świadomą zgodę. Uczestnicy badania byli rekrutowani przez panel firmy badawczej, a kwestionariusze samoopisowe były podawane przez Internet bez żadnego wynagrodzenia. Wykluczono jedynie 149 respondentów, którzy nie korzystali ze smartfonów. Ostatecznie przeanalizowaliśmy dane 4854 uczestników. W ostatecznej próbie wiek został podzielony na trzy kategorie: poniżej 30 lat (33.19%), 30–39 lat (43.94%) i 40–49 lat (22.87%). Było 2573 mężczyzn (53.01%) i 2281 kobiet (46.99%). Dodatkowymi zmiennymi demograficznymi uczestników były wykształcenie, stan cywilny i dochód.

 

 

2.2. Środki

 

 

2.2.1. Pomiar uzależnienia od Internetu

Koreańska skala uzależnienia od Internetu (skala K) została opracowana w Korei w celu oceny IA i została potwierdzona w populacji koreańskiej z wysoką niezawodnością spójności wewnętrznej [27]. Współczynnik alfa Cronbacha dla skali K wyniósł 0.91 [28]. Ma siedem podskal i 40 pozycji, mierzących zaburzenia codziennego życia, testowanie zakłóceń rzeczywistości, automatyczne uzależniające myśli, wirtualne relacje międzyludzkie, zachowania dewiacyjne, wycofanie i tolerancję. Ta skala typu Likerta została ustawiona od 1 (wcale) do 4 (zawsze). Zgodnie z poprzednim raportem wykorzystującym tę skalę, uczestników podzielono na trzy grupy: normalną, potencjalnego ryzyka i wysokiego ryzyka [29]. Grupa wysokiego ryzyka została zdefiniowana jako posiadająca znormalizowany wynik 70 lub wyższy, w codziennych zakłóceniach życia, automatycznych uzależniających myślach, czynnikach tolerancji lub łącznie co najmniej 70. Potencjalną grupę ryzyka zdefiniowano jako wynik 62 lub wyższy w zakresie codziennych zakłóceń życia, automatycznych uzależniających myśli, czynników tolerancji lub łącznie co najmniej 63. Grupa normalnego użytkowania zawierała te wyniki poniżej tych liczb. W tym badaniu grupy IA składały się z grup potencjalnego ryzyka i grup wysokiego ryzyka.

 

 

2.2.2. Pomiar uzależnienia od smartfona

Skala skłonności do uzależnienia od smartfonów (K-SAS) została zatwierdzona i szeroko stosowana do badań przesiewowych w kierunku SA [30]. Składa się z 15 pozycji ocenianych w czterostopniowej skali dystresu typu Likerta od 1 (wcale) do 4 (zawsze). Pytania dotyczyły trzech czynników: codziennych zakłóceń życia, automatycznych uzależniających myśli i tolerancji. Współczynnik alfa Cronbacha dla K-SAS wyniósł 0.880 [5].
Opierając się na poprzednim raporcie wykorzystującym tę skalę, wykorzystaliśmy wyniki do sklasyfikowania uczestników na trzy grupy: normalne, potencjalne ryzyko i wysokie ryzyko [30]. Grupę wysokiego ryzyka zdefiniowano jako mającą w sumie wynik 44 lub więcej lub mającą wynik cząstkowy 15 lub więcej w zaburzeniach życia codziennego wraz z wynikami cząstkowymi 13 lub więcej, zarówno w automatycznych uzależniających myślach, jak i tolerancji. Grupa potencjalnego ryzyka została zdefiniowana jako mająca 41 lub więcej w wyniku całkowitym lub 15 lub więcej w czynniku zakłócenia życia codziennego. Grupa normalnego użytkowania zawierała te wyniki poniżej tych liczb [30]. W tym badaniu grupa osób uzależnionych od smartfonów składała się z grup wysokiego i potencjalnego ryzyka.

 

 

2.2.3. Pomiar problemów ze zdrowiem psychicznym: depresja i niepokój

SCL-90-R to wielowymiarowy kwestionariusz opracowany w celu przeszukiwania szeregu cech psychologicznych i psychopatologicznych w 9 podskalach: somatyzacja, obsesyjno-kompulsywne, wrażliwość interpersonalna, depresja, lęk, wrogość, lęk fobiczny, myśli paranoidalne i psychotyzm [31]. SCL-90 zawiera 90 pozycji ocenianych w 5-stopniowej skali dystresu od 0 (brak) do 4 (skrajnie). Rzetelność test-retest SCL-90-R w języku koreańskim wyniosła 0.76 dla depresji i 0.77 dla lęku. Spójność wewnętrzna wyniosła 0.89 dla depresji i 0.86 dla lęku [31]. Zgłaszano, że depresja i lęk są objawami psychiatrycznymi najsilniej związanymi z IA i SA [12,13]. Konkretne wymiary będące przedmiotem zainteresowania w tym badaniu obejmowały podskale SCL-90-R dla depresji i lęku.

 

 

2.3. Analiza danych

 

 

2.3.1. Definicja statystyczna

Niech Zi

 

być binarnym wskaźnikiem uzależnienia dla i-tego podmiotu; to jest, Zi=1 jeśli podmiot i jest uzależniony (IA lub SA), oraz Zi=0 W przeciwnym razie. Potencjalny wynik problemu psychicznego (depresja lub lęk) definiuje się jako Yi(Zi. Zauważ, że tylko jeden z potencjalnych wyników jest obserwowany w tym samym czasie dla każdego przedmiotu, więc bezpośrednie obliczenie Yi(1)-Yi jest niemożliwe. Zamiast efektu indywidualnego, głównym parametrem będącym przedmiotem zainteresowania jest oczekiwany efekt uzależnienia na uzależnioną populację

τ=E(Yi(1)-Yi(0)|
 
Jednak oszacowanie τ

nadal ma problem, ponieważ E(Yi(0)|Zi nie da się bezpośrednio oszacować. Oczywiście w losowych eksperymentach E(Yi(0)|Zi jest zadowolony, więc τ można łatwo oszacować. Jednak w badaniu obserwacyjnym naiwne oszacowanie τ może być stronniczy, ponieważ E(Yi(0)|Zi. Aby dostosować to obciążenie selekcji, zakładamy, że możemy obserwować współzmienne Xi na które nie ma wpływu żadne uzależnienie, oraz dla danych współzmiennych Xi, potencjalne rezultaty Yi(1), Yi są warunkowo niezależne od wskaźnika uzależnienia Zi. Ponadto, jeśli potencjalne wyniki są niezależne od uzależnienia uzależnionego od współzmiennych Xi, są również niezależne od warunku uzależnienia w wyniku skłonności P(Xi)= P(Zi=1|Xi[19]. Estymator PSM dla τ staje się

τPSM=EP(X)|Z=1

 

 

 

 

 

2.3.2. Szacowanie wskaźnika skłonności

Oceny skłonności są obliczane za pomocą regresji logistycznej, modelu używanego do przewidywania prawdopodobieństwa wystąpienia uzależnienia 

logP(Zi=1|Xi)

 

 

 
W tym artykule jako współzmienne dla Xi

 

 

, rozważamy pięć współzmiennych kategorycznych: płeć (1 = mężczyzna i 2 = kobieta), wiek (1 = 20–29, 2 = 30–39 i 3 = 40–49), wykształcenie (1 = gimnazjum, 2 = liceum szkoła, a 3 = uniwersytet lub wyżej), stan cywilny (1 = kawaler, 2 = konkubinat, 3 = żonaty, 4 = rozwiedziony, 5 = pogrążony w żałobie) oraz dochód (1 = niski, 2 = średni niski, 3 = średni, 4 = średnio wysoki i 5 = wysoki). W Sekcja 1, te współzmienne mogą wpływać jednocześnie na wyniki (depresja lub lęk) i uzależnienia. Tak więc dla każdego przedmiotu oszacowaliśmy wyniki skłonności; to znaczy warunkowe prawdopodobieństwo uzależnienia, biorąc pod uwagę obserwowane współzmienne [32].

 

 

2.3.3. Metody dopasowywania oparte na szacowanej ocenie skłonności

Po oszacowaniu wyników skłonności można zastosować dopasowanie do oszacowania efektu leczenia po dostosowaniu do różnic między dwiema grupami [33]. Celem dopasowywania jest uzyskanie dopasowanej próbki, która równoważy dystrybucję pacjenta w badaniu i pasuje do współzmiennych obserwowanych grup kontrolnych. Ta metoda regulacji pozwala nam kontrolować zmienne zakłócające. W tym badaniu przyjęliśmy dwie szeroko stosowane metody dopasowywania, dopasowanie optymalne i dopasowanie genetyczne [34].

 

 

2.3.4. Oszacowanie względnego ryzyka uzależnienia w przypadku problemów ze zdrowiem psychicznym po dopasowaniu wskaźnika skłonności

Po dopasowaniu wyniku skłonności przy użyciu obserwowanych współzmiennych (wiek, płeć, małżeństwo, dochód i wykształcenie) mamy bardziej zrównoważony zbiór danych. Aby modelować problem zdrowia psychicznego (depresję lub lęk), zastosowaliśmy uogólnione modele liniowe (GLM) do dopasowanej próby. Ponieważ wyniki zdrowia psychicznego są pozytywne i obciążone, rozkład gamma z łączem logarytmicznym jest dopasowany. Pozwalać Yi

 

być wynikiem zainteresowania (wynik depresji lub lęku) ze średnią μi, możemy użyć struktury Gamma GLM ze współzmiennymi Xi:

 

logμi=γT
 
 
Poprzez modelowanie oszacowaliśmy eγ

 

 

jako ryzyko względne (jako oczekiwana średnia różnica między grupami) IA i SA dla każdej współzmiennej.

 

 

3. Wyniki

Oprócz 4854 uczestników, 126 (2.60%) zostało włączonych do grupy IA, a 652 (13.43%) do grupy SA. Tabela 1 pokazuje statystyki opisowe wyników depresji i lęku. Średnie wyniki depresji i lęku w grupach IA i SA są większe niż w grupie normalnego użytkowania (NU).
Tabela 1. Statystyki opisowe wyników Depresji i Lęku.
Stół

 

 

3.1. Jakość dopasowania metody dopasowywania oceny skłonności

Chociaż w kwestionariuszach tego badania warunkowaliśmy tylko kilka zmiennych towarzyszących, za pomocą wyniku skłonności stwierdziliśmy, że procedura dopasowywania była wystarczająca do zrównoważenia rozkładu każdej zmiennej towarzyszącej, Tabela 2 i Tabela 3. Oceniliśmy odległości w krańcowych rozkładach Xi

 

 

 

. Dla każdej współzmiennej obliczyliśmy odchylenie; to znaczy różnica w średnich próbkach osób uzależnionych i normalnych. Przed zastosowaniem dopasowywania wyniku skłonności, odchylenia nie były ignorowane. Jednak po dopasowaniu wyniku skłonności podpróbki uzależnienia i normalne miały bardzo podobny rozkład krańcowy dla wszystkich zmiennych towarzyszących.
Tabela 2. Porównanie średniego odsetka cech wyjściowych między grupami IA i grupami normalnego użytkowania, w oryginalnej próbce i próbie dopasowanej do wyniku skłonności, przy użyciu dopasowania genetycznego i optymalnego.
Stół
Tabela 3. Porównanie średniego odsetka cech wyjściowych między grupami SA i normalnymi, w oryginalnej próbce i dopasowanej próbce wyniku skłonności, przy użyciu dopasowania genetycznego i optymalnego.
Stół

 

 

3.2. Wpływ uzależnienia od Internetu na depresję i lęk

Wpływ IA na depresję i lęk uzyskany za pomocą dopasowywania wyników skłonności opisano w Tabela 4. Poprzez dopasowanie genetyczne wybrano 3846 próbek. IA wiązała się z większym ryzykiem depresji (ryzyko względne 1.207, 95% przedział ufności 1.128–1.292, p < 0.001) i lęku (ryzyko względne 1.264, 95% przedział ufności 1.173–1.362, p < 0.001). Wszystkie te względne współczynniki ryzyka są istotne, ponieważ przedział ufności nie zawiera 1. Poprzez optymalne dopasowanie wybrano 252 próbki. IA była związana z większą depresją (ryzyko względne 1.243, 95% przedział ufności 1.145–1.348, p < 0.001) i lękiem (ryzyko względne 1.308, 95% przedział ufności 1.192–1.435, p < 0.001). Podobnie jak w przypadku dopasowania genetycznego, względne wskaźniki ryzyka dla depresji i lęku są znacznie większe niż 1.
Tabela 4. Wpływ uzależnienia od Internetu i smartfonów na depresję i lęk, w oparciu o dopasowanie wyniku skłonności.
Stół

 

 

3.3. Wpływ uzależnienia od smartfona na depresję i lęk

Wpływ SA na depresję i lęk przy użyciu dopasowywania wyników skłonności opisano w Tabela 4. Poprzez dopasowanie genetyczne wybrano 4516 próbek. SA wiązało się z większym ryzykiem depresji (ryzyko względne 1.337, 95% przedział ufności 1.296–1.378, p < 0.001) i lęku (ryzyko względne 1.402, 95% przedział ufności 1.355–1.450, p < 0.001). Poprzez optymalne dopasowanie wybrano 1304 próbki. SA wiązało się z większym ryzykiem depresji (ryzyko względne 1.386, 95% przedział ufności 1.334–1.440, p < 0.001) i lęku (ryzyko względne 1.440, 95% przedział ufności 1.380–1.503, p < 0.001). Wszystkie te względne wskaźniki ryzyka są znaczące.

 

 

3.4. Różnice w wpływie uzależnienia od Internetu i smartfonów na depresję i lęk

Względne wskaźniki ryzyka depresji i lęku, zarówno z genetycznego, jak i optymalnego dopasowania, były o 10% wyższe dla SA niż dla IA. Oznacza to, że SA ma większe ryzyko depresji i lęku niż IA. Te przedziały ufności nie zawierają 1, więc możemy powiedzieć, że SA jest o 34–44% bardziej prawdopodobne, że spowoduje zaburzenie psychiczne.

 

 

4. Dyskusja

Nasze odkrycia są takie, że zarówno IA, jak i SA wywierają znaczący wpływ na depresję i lęk, nawet po kontrolowaniu czynników zakłócających za pomocą dopasowywania wyników skłonności. Badania epidemiologiczne oszacowały częstsze występowanie depresji w IA [35,36]. Wiele badań przekrojowych wykazało, że osoby z IA lub SA wykazywały wyższy poziom depresji i lęku niż zwykli użytkownicy [13,37]. W niniejszym badaniu nasze wyniki pokazują role IA i SA w rozwoju depresji i lęku. Istnieje kilka możliwych wyjaśnień obecnych ustaleń. Po pierwsze, nałogowe korzystanie z Internetu i smartfonów może nasilać problemy interpersonalne, które są związane z depresją i lękiem, takie jak konflikty rodzinne, brak relacji off-line i zwiększona potrzeba akceptacji w cyberprzestrzeni. Po drugie, objawy odstawienia są proponowane jako wzorce psychopatologiczne w IA i SA, porównywalne z zaburzeniami związanymi z nadużywaniem substancji [5]. W przypadku braku dostępu do komputera lub smartfona osoby z IA lub SA mogą odczuwać niepokój, a następnie chęć skorzystania z Internetu lub smartfona, aby uciec przed takimi negatywnymi uczuciami [38]. Innym możliwym wyjaśnieniem jest to, że w przeciwieństwie do innych substancji uzależniających, takich jak alkohol i nikotyna, osoby nadużywające internetu i smartfonów mogą mieć niewielki wgląd w ich nadmierne używanie w życiu codziennym z powodu swobodnego i elastycznego dostępu do urządzeń [3], sprawiając, że doświadczają ich nadmiernego używania jako irytacji, a nie jako oznaki problematycznego zachowania [39]. Innym interesującym odkryciem było to, że SA wywierał silniejszy wpływ na depresję i lęk niż IA. To prowadzi nas do spekulacji, że IA i SA mają różny wpływ na problemy ze zdrowiem psychicznym. Może być kilka możliwych wyjaśnień tego odkrycia. Po pierwsze, biorąc pod uwagę cechy mediów, nadmierne korzystanie ze smartfona rozwija się poprzez uzależniający charakter urządzenia, ze względu na jego większą dostępność do sieci bezprzewodowej i 24 h częstych powiadomień [39]. Po drugie, w odniesieniu do czynników środowiskowych, odkrycie to może odzwierciedlać obecną radykalną zmianę średniej życia codziennego z komputerów PC na smartfony. Ludzie mogą korzystać z internetu PC do skomplikowanych prac i wykonywać inne codzienne zadania za pomocą smartfonów, co prowadzi do spadku wydajności pracy i wyższego poziomu stresu [40]. Wreszcie osoby z SA mogą używać smartfonów do utrzymywania relacji i poczucia łączności z internetową siecią społecznościową [41[42].
To badanie ma kilka ograniczeń, aby uogólnić wyniki na całą populację, takie jak przekrojowy charakter ograniczeń danych i interpretacja wnioskowania przyczynowego między uzależnieniem od Internetu a smartfonem, depresją i lękiem. Dopasowanie skłonności ma również ograniczenia i wymagania. Głównym ograniczeniem jest to, że wyniki skłonności mogą być kontrolowane tylko przez obserwowane czynniki zakłócające [43]. Może pozostać możliwość nieobserwowanych czynników zakłócających, ograniczając wyniki badań do uogólnień. Ponadto, ponieważ wszystkie obserwowane czynniki zakłócające w tym badaniu zostały zebrane jako zmienne kategoryczne, podczas budowania modelu PSM może dojść do utraty informacji. Dlatego nasze wyniki należy interpretować z ostrożnością. Aby jednak uzyskać solidne wyniki dopasowywania, rozważyliśmy dwie metody dopasowywania, dopasowanie genetyczne i dopasowanie optymalne. W szczególności dopasowywanie genetyczne wykorzystuje algorytm wyszukiwania genetycznego, więc jego proces może znaleźć dobre rozwiązanie dopasowujące przy mniejszej utracie informacji [44]. Na koniec dokonano oceny objawów depresji i lęku za pomocą samoopisowego pomiaru objawów psychologicznych za pomocą SCL-90-R. Aby dokładniej i konsekwentniej oceniać problemy ze zdrowiem psychicznym. W dalszych badaniach należy przeprowadzić ustrukturyzowany wywiad klinicysty.

 

 

5. Wnioski

W tym badaniu zbadaliśmy, w jaki sposób IA i SA wpływają na problemy ze zdrowiem psychicznym, depresję i lęk. Zgodnie z naszą najlepszą wiedzą, jest to pierwsze badanie mające na celu oszacowanie związku między IA, SA i psychopatologią przy użyciu metody dopasowywania wyników z danych przekrojowych oraz zbadanie efektu różnicowego w psychopatologii między IA i SA. Podsumowując, nasze odkrycia ujawniają, że zarówno IA, jak i SA zwiększają ryzyko depresji i lęku. Ponadto SA wykazał silniejszy związek z depresją i lękiem w porównaniu z IA.
Implikacją tych ustaleń jest to, że osoby z problematycznym używaniem smartfonów powinny być ściśle monitorowane pod kątem problemów ze zdrowiem psychicznym, co podkreśla potrzebę ustanowienia zasad profilaktyki i zarządzania ukierunkowanych na przedkliniczny poziom SA. Dalsze badania prospektywne powinny zbadać przyczynowe kierunki związków między IA, SA a problemami zdrowia psychicznego oraz powinny zidentyfikować czynniki dyskryminujące IA i SA.

 

 

Autorskie Wkłady

D.-JK i DL wymyślili i zaprojektowali eksperymenty; HMJ przeanalizował dane; Y.-JK napisał artykuł. YL nadzorował gromadzenie danych. Wszyscy autorzy przyczynili się do powstania manuskryptu, dokonali jego krytycznych poprawek i zatwierdzili ostateczną wersję manuskryptu.

 

 

Podziękowanie

Ta praca została sfinansowana z grantu Koreańskiej Narodowej Fundacji Badawczej (Grant nr 2014M3C7A1062894, 2014M3C7A1062896).

 

 

Konflikt interesów

Autorzy deklarują brak konfliktu interesów.

 

 

Referencje

  1. Choi, SW; Kim, DJ-J .; Choi, J.-S.; Ahn, H.; Choi, EJ; Piosenka, W.-Y.; Kim, S.; You, H. Porównanie czynników ryzyka i czynników ochronnych związanych z uzależnieniem od smartfonów i uzależnieniem od Internetu. J. Zachowanie. Nałogowiec. 2015, 4, 308-314. [Google Scholar] [CrossRef] [PubMed]
  2. Ankieta na temat nadmiernej zależności od Internetu z 2016 r.; Ministerstwo Nauki, ICT i Planowania Przyszłości: Seul, Korea, 2017.
  3. Lee, Y.-K.; Chang, CT; Lin, Y.; Cheng, Z.-H. Ciemna strona korzystania ze smartfonów: cechy psychologiczne, zachowania kompulsywne i technostres. Oblicz. Szum. Zachowanie 2014, 31, 373-383. [Google Scholar] [CrossRef]
  4. Lee, KE; Kim, SH; Ha, T.-Y.; Yoo, Y.-M.; Han, J.-J.; Jung, J.-H.; Jang, J.-Y. Uzależnienie od używania smartfona i jego związek z lękiem w Korei. Przedstawiciel ds. Zdrowia Publicznego 2016, 131, 411-419. [Google Scholar] [CrossRef] [PubMed]
  5. Kim, D.; Chung, Y.; Lee, J.; Kim, M.; Lee, Y.; Kang, E.; Keum, C.; Nam, J. Opracowanie skali skłonności do uzależnienia od smartfonów dla dorosłych: samoopis. Koreańskie J. Counts. 2012, 13, 629-644. [Google Scholar]
  6. Kwon, M.; Lee, J.-Y.; Won, W.-Y .; Park, J.-W.; Min, JA-A.; Hahn, C.; Gu, X.; Choi, J.-H.; Kim, D.-J. Opracowanie i walidacja skali uzależnienia od smartfonów (SAS). PLUS JEDEN 2013, 8, e56936. [Google Scholar] [CrossRef] [PubMed]
  7. Kuss, DJ; Griffiths, MD; Karila, L .; Billieux, J. Uzależnienie od Internetu: systematyczny przegląd badań epidemiologicznych w ostatnim dziesięcioleciu. Curr. Pharm. Des. 2014, 20, 4026-4052. [Google Scholar] [CrossRef] [PubMed]
  8. Andreassen, CS; Billieux, J.; Griffiths, doktor medycyny; Kuss, DJ; Demetrovics, Z.; Mazzoni, E.; Pallesen, S. Związek między uzależniającym korzystaniem z mediów społecznościowych i gier wideo a objawami zaburzeń psychicznych: badanie przekrojowe na dużą skalę. psychol. Nałogowiec. Zachowanie 2016, 30, 252. [Google Scholar] [CrossRef] [PubMed]
  9. Aljomaa, SS; Qudah, MSZ; Albursan, IS; Bakhiet, SF; Abduljabbar, AS Uzależnienie od smartfonów wśród studentów uniwersytetów w świetle niektórych zmiennych. Oblicz. Szum. Zachowanie 2016, 61, 155-164. [Google Scholar] [CrossRef]
  10. Anderson, el.; Steen, E.; Stavropoulos, V. Korzystanie z Internetu i problematyczne korzystanie z Internetu: systematyczny przegląd podłużnych trendów badawczych w okresie dojrzewania i wschodzącej dorosłości. Int. J. Adolesc. Młodzież 2017, 22, 430-454. [Google Scholar] [CrossRef]
  11. Haug, S.; Castro, RP; Kwon, M.; Wypełniacz, A.; Kowatsch, T.; Schaub, MP Używanie smartfonów i uzależnienie od smartfonów wśród młodych ludzi w Szwajcarii. J. Zachowanie. Nałogowiec. 2015, 4, 299-307. [Google Scholar] [CrossRef] [PubMed]
  12. Ko, C.-H.; Jen, J.-Y.; Jen, CF-F.; Chen, C.-S.; Chen, CC-C. Związek między uzależnieniem od Internetu a zaburzeniami psychicznymi: przegląd literatury. Eur. Psychiatria 2012, 27, 1-8. [Google Scholar] [CrossRef] [PubMed]
  13. Demirci, K.; Akgönül, M.; Akpinar, A. Związek nasilenia używania smartfonów z jakością snu, depresją i lękiem u studentów. J. Zachowanie. Nałogowiec. 2015, 4, 85-92. [Google Scholar] [CrossRef] [PubMed]
  14. Marka, M.; młody, KS; Laier, C.; Wölfling, K.; Potenza, MN Integracja rozważań psychologicznych i neurobiologicznych dotyczących rozwoju i utrzymywania określonych zaburzeń związanych z korzystaniem z Internetu: model interakcji osoby-afektu-poznania-wykonania (I-PACE). Neuronauka. biobehaw. Obrót silnika. 2016, 71, 252-266. [Google Scholar] [CrossRef] [PubMed]
  15. Kim, Y.-J.; Kim, DJ-J .; Choi, J. Rozregulowanie poznawcze uzależnienia od Internetu i jego neurobiologiczne korelaty. Przód. Biosci (red. Elite) 2017, 9, 307-320. [Google Scholar]
  16. Lachmann, B.; Duke, É .; Sariyska, R.; Montag, C. Kto jest uzależniony od smartfona i/lub Internetu? psychol. Muzyka pop. Kult mediów. 2017. [Google Scholar] [CrossRef]
  17. Lachmann, B.; Sindermann, C.; Sarijska, RY; Luo, R.; Melchers, MC; Becker, B.; Cooper, AJ; Montag, C. Rola empatii i zadowolenia z życia w zaburzeniach korzystania z Internetu i smartfonów. Przód. psychol. 2018, 9, 398. [Google Scholar] [CrossRef] [PubMed]
  18. Banjanin, N.; Banjanin, N.; Dimitrijevic, I.; Pantic, I. Związek między korzystaniem z Internetu a depresją: Skoncentruj się na fizjologicznych wahaniach nastroju, sieciach społecznościowych i uzależniających zachowaniach online. Oblicz. Szum. Zachowanie 2015, 43, 308-312. [Google Scholar] [CrossRef]
  19. Akin, A.; Iskender, M. Uzależnienie od Internetu i depresja, niepokój i stres. Int. Online J. Educ. nauka 2011, 3, 138-148. [Google Scholar]
  20. Ostovar S.; Allahyar, N.; Aminpoor, H.; Moafian, F.; Ani MBM; Griffiths, MD Uzależnienie od Internetu i jego zagrożenia psychospołeczne (depresja, lęk, stres i samotność) wśród irańskich nastolatków i młodych dorosłych: model równania strukturalnego w badaniu przekrojowym. Int. J. Ment. Uzależniony od zdrowia. 2016, 14, 257-267. [Google Scholar] [CrossRef]
  21. Cheung, LM; Wong, WS Wpływ bezsenności i uzależnienia od Internetu na depresję u chińskiej młodzieży z Hongkongu: eksploracyjna analiza przekrojowa. J. Sen Res. 2011, 20, 311-317. [Google Scholar] [CrossRef] [PubMed]
  22. Cepeda, MS; Boston, R.; Farrar, JT; Strom, BL Porównanie regresji logistycznej z oceną skłonności, gdy liczba zdarzeń jest niska i występuje wiele czynników zakłócających. Jestem. J. Epidemiol. 2003, 158, 280-287. [Google Scholar] [CrossRef] [PubMed]
  23. Austin, PC Krytyczna ocena dopasowania skłonności do wyników w literaturze medycznej w latach 1996-2003. Stat. Med. 2008, 27, 2037-2049. [Google Scholar] [CrossRef] [PubMed]
  24. Austin, PC; Grootendorst, P.; Anderson, GM Porównanie zdolności różnych modeli oceny skłonności do równoważenia mierzonych zmiennych między podmiotami leczonymi i nieleczonymi: badanie Monte Carlo. Stan. Med. 2007, 26, 734-753. [Google Scholar] [CrossRef] [PubMed]
  25. Müller, KW; Glaesmer, H.; Brähler, E.; Woelfling, K.; Beutel, ME Rozpowszechnienie uzależnienia od Internetu w populacji ogólnej: Wyniki niemieckiego badania populacyjnego. Zachowanie Inf. Techno. 2014, 33, 757-766. [Google Scholar] [CrossRef]
  26. Rho, MJ; Lee, H.; Lee, TH; Cho, H.; Jung, D.; Kim, DJ-J .; Choi, IY Czynniki ryzyka zaburzeń związanych z grami internetowymi: czynniki psychologiczne i charakterystyka gier internetowych. Int. J. Środowisko. Rez. Zdrowie publiczne 2018, 15, 40. [Google Scholar] [CrossRef] [PubMed]
  27. Krajowa Agencja Informacyjna. Badanie skali skłonności do uzależnienia od Internetu dla dorosłych; National Information Service Agency: Seul, Korea, 2005. [Google Scholar]
  28. Kim, D. Kontynuacja badania skali skłonności do uzależnień od Internetu; Koreańska Agencja ds. Szans i Promocji Cyfrowej: Seul, Korea, 2008; Dostępny online: http://www.nia.or.kr/site/nia_kor/ex/bbs/View.do?cbIdx=39485&bcIdx=277&parentSeq=277 (dostęp do 8 May 2008).
  29. Kim, D.-I.; Chung, Y.-J.; Lee, EA; Kim, DM; Cho, Y.-M. Opracowanie skróconej formy skali skłonności do uzależnienia od Internetu (skala KS). Koreańskie J. Counts. 2008, 9, 1703-1722. [Google Scholar]
  30. Krajowa Agencja Informacyjna. Opracowanie koreańskiej skali skłonności do uzależnienia od smartfonów dla młodzieży i dorosłych; National Information Service Agency: Seul, Korea, 2011; s. 85–86. [Google Scholar]
  31. Kim, KI.; Kim, JW. Badanie standaryzacyjne listy kontrolnej objawów-90-R w Korei III. Ment. Zdrowie 1984, 2, 278-311. [Google Scholar]
  32. Heckman, J.; Smith, J. Ocena przypadku eksperymentów społecznych. J. Ekon. Perspektywa. 1995, 9, 85-110. [Google Scholar] [CrossRef]
  33. Caliendo, M.; Kopeinig, S. Praktyczne wskazówki dotyczące wdrażania dopasowywania wyników skłonności. J. Ekon. Przetrwaj 2008, 22, 31-72. [Google Scholar] [CrossRef]
  34. Sekhon, JS; Diamond, A. Genetic Matching for Estimating Causal Effects, niepublikowany rękopis. Przedstawiono na dorocznym spotkaniu metodologii politycznej, Tallahassee, Floryda, USA, lipiec 2005 r. [Google Scholar]
  35. Ghassemzadeh, L.; Shahraray, M.; Moradi, A. Rozpowszechnienie uzależnienia od Internetu i porównanie osób uzależnionych od Internetu i osób nieuzależnionych w irańskich szkołach średnich. Cyberpsychol. Zachowanie 2008, 11, 731-733. [Google Scholar] [CrossRef] [PubMed]
  36. Jen, J.-Y.; Ko, C.-H.; Jen, CF-F.; Wu, H.-Y.; Yang, M.-J. Współistniejące objawy psychiatryczne uzależnienia od Internetu: zespół deficytu uwagi i nadpobudliwości (ADHD), depresja, fobia społeczna i wrogość. J. Adolesc. Zdrowie 2007, 41, 93-98. [Google Scholar] [CrossRef] [PubMed]
  37. Tonioni, F.; Mazza, M.; Autullo, G.; Cappelluti R.; Catalano, V.; Marano, G.; Fiumana, V.; Moschetti, C.; Alimonti, F.; Luciani, M. Czy uzależnienie od Internetu jest stanem psychopatologicznym różnym od patologicznego hazardu? J. Uzależniony. Zachowanie 2014, 39, 1052-1056. [Google Scholar] [CrossRef] [PubMed]
  38. Kuss, DJ; Griffiths, MD Sieci społecznościowe online i uzależnienie - przegląd literatury psychologicznej. Int. J. Environ. Res. Zdrowie publiczne 2011, 8, 3528-3552. [Google Scholar] [CrossRef] [PubMed]
  39. Oulasvirta, A.; Rattenbury, T.; Ma, L.; Raita, E. Nawyki sprawiają, że korzystanie ze smartfonów jest bardziej wszechobecne. os. Wszechobecny komputer. 2012, 16, 105-114. [Google Scholar] [CrossRef]
  40. Duke, É .; Montag, C. Uzależnienie od smartfona, codzienne przerwy i samoocena produktywności. Nałogowiec. Zachowanie Reprezentant. 2017, 6, 90-95. [Google Scholar] [CrossRef] [PubMed]
  41. Kuss, DJ; Griffiths, MD Serwisy społecznościowe i uzależnienie: Dziesięć wyciągniętych wniosków. Int. J. Środowisko. Rez. Zdrowie publiczne 2017, 14, 311. [Google Scholar] [CrossRef] [PubMed]
  42. Oberst, U.; Wegmann, E.; Stodt, B.; Marka, M.; Chamarro, A. Negatywne konsekwencje intensywnego korzystania z sieci społecznościowych u nastolatków: pośrednicząca rola strachu przed przegapieniem. J. Adolesc. 2017, 55, 51-60. [Google Scholar] [CrossRef] [PubMed]
  43. Joffe, MM; Rosenbaum, PR Zaproszony komentarz: Oceny skłonności. Jestem. J. Epidemiol. 1999, 150, 327-333. [Google Scholar] [CrossRef] [PubMed]
  44. Diament, A.; Sekon, J. Dopasowanie genetyczne do szacowania skutków przyczynowych: Nowa metoda osiągania równowagi w badaniach obserwacyjnych. ksiądz ekon. Stan. 2013, 95, 932-945. [Google Scholar] [CrossRef]