Addict Behav. 2018 Feb 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.
Abstrakcyjny
TŁO I CELE:
Problematyczne korzystanie z Internetu (PIU; inaczej zwane uzależnieniem od Internetu) jest coraz większym problemem w nowoczesnych społeczeństwach. Brakuje wiedzy na temat zmiennych demograficznych i konkretnych działań internetowych związanych z PIU oraz ograniczonego zrozumienia tego, w jaki sposób PIU powinna być konceptualizowana. Naszym celem było zidentyfikowanie konkretnych działań internetowych związanych z PIU i zbadanie moderującej roli wieku i płci w tych stowarzyszeniach.
METODY:
Zatrudniliśmy uczestników 1749 w wieku 18 i powyżej, za pośrednictwem reklam medialnych w ankiecie internetowej w dwóch witrynach, jednej w USA i jednej w RPA; do analizy wykorzystaliśmy regresję Lasso.
WYNIKI:
Konkretne działania internetowe wiązały się z wyższymi wskaźnikami problematycznego korzystania z Internetu, w tym ogólnym przeglądaniem (lasso β: 2.1), grami internetowymi (β: 0.6), zakupami online (β: 1.4), korzystaniem z aukcji internetowych (β: 0.027), tworzenie sieci (β: 0.46) i korzystanie z pornografii internetowej (β: 1.0). Wiek moderował związek między PIU a grami RPG (β: 0.33), hazardem online (β: 0.15), korzystaniem z witryn aukcyjnych (β: 0.35) i mediami strumieniowymi (β: 0.35), przy czym starszy wiek wiąże się z wyższymi poziomy PIU. Nie było jednoznacznych dowodów na to, że aktywność w Internecie związana z płcią i płcią × wiąże się z problematycznymi wynikami w zakresie korzystania z Internetu. Zespół nadpobudliwości psychoruchowej z deficytem uwagi (ADHD) i zespół lęku społecznego były związane z wysokimi wynikami PIU u młodych uczestników (odpowiednio w wieku ≤ 25 lat, β: 0.35 i 0.65), podczas gdy zespół lęku uogólnionego (GAD) i zaburzenia obsesyjno-kompulsywne (OCD) były związane z wysokimi wynikami PIU u starszych uczestników (wiek> 55, β: odpowiednio 6.4 i 4.3).
WNIOSKI:
Wiele rodzajów zachowań online (np. Zakupy, pornografia, ogólne surfowanie) ma silniejszy związek z dezadaptacyjnym korzystaniem z Internetu niż z grami wspierającymi klasyfikację diagnostyczną problematycznego korzystania z Internetu jako wieloaspektowego zaburzenia. Ponadto aktywność internetowa i diagnozy psychiatryczne związane z problematycznym korzystaniem z Internetu różnią się w zależności od wieku, co ma wpływ na zdrowie publiczne.
SŁOWA KLUCZOWE: Uzależnienie behawioralne; Uzależnienie od Internetu; Zaburzenia gier internetowych; Lasso; Nauczanie maszynowe; Problematyczne korzystanie z Internetu
PMID: 29459201
DOI: 10.1016 / j.addbeh.2018.02.017
1
Wprowadzenie
Problematyczne korzystanie z Internetu (PIU; inaczej zwane uzależnieniem od Internetu) jest problemem dotyczącym zdrowia publicznego w nowoczesnych społeczeństwach na całym świecie. Epidemiologia PIU jest nadal niejasna (
; ) z szerokim zakresem raportowanych szacunków rozpowszechnienia punktowego (od 1% do 36.7%), prawdopodobnie odzwierciedlających nie tylko różnice populacyjne, ale także różnorodność narzędzi oceny i różne definicje operacyjne zachowań PIU. DSM-5 wskazał zaburzenie gier internetowych jako warunek dalszych badań (), w szczególności wykluczając inne działania internetowe, takie jak hazard i korzystanie z mediów społecznościowych, pomimo gromadzących się dowodów, że problematyczne korzystanie z Internetu jest wieloaspektowym problemem wykraczającym poza gry online (; ;). Wiele różnych zachowań online zostało opisanych jako zdolne do zakłócenia normalnego funkcjonowania, gdy są podejmowane w nadmiarze, w tym gry online i gry fabularne online dla wielu graczy (;;;;;), hazard online (;), zakupy online (; ;), oglądanie pornografii (;;), częste sprawdzanie poczty e-mail, komunikatory (;;) i nadużywanie mediów społecznościowych (;). Zachowania online mogą również powodować obawy o zdrowie fizyczne osób (;) lub stanowić podstawę do czynów przestępczych (). Cechy impulsywne i kompulsywne mogą leżeć u podstaw problematycznych zachowań w Internecie (;;;;), podczas gdy określone czynności internetowe są powiązane z zaburzeniami psychiatrycznymi; na przykład zakupy online są powiązane z depresją i gromadzeniem (
).
Młodzi ludzie i studenci są uważani za najbardziej wrażliwych dla PIU (
; ; ; ; ), ale populacje w średnim wieku i starsze nie zostały dokładnie zbadane. Młody wiek związany jest z problematycznymi zakupami online (;). Odnotowano jednak szereg badań identyfikujących problematyczne działania internetowe, w tym nadmierne zakupy przez Internet, w populacjach dorosłych (
). Ogólnie rzecz biorąc, naturalna historia problematycznego korzystania z Internetu jest nadal nieznana i mogą występować różnice związane z wiekiem w PIU lub w różnych problematycznych zachowaniach internetowych.
PIU została uznana za mężczyznę o przewadze męskiej (
; ) i prawdopodobnie jest bardziej rozpowszechniony wśród azjatyckiej młodzieży męskiej, ale kobiety mogą być również podatne na zagrożenia (;). Na poziomie klinicznym większość badań PIU obejmowała tylko mężczyzn () i nie jest jasne, czy kobiety w populacji klinicznej mogły zostać zaniżone. Istnieją pewne dowody z badań obserwacyjnych, że mężczyźni i kobiety różnią się sposobem działania w środowisku online pod względem działań, które wybierają i ich negatywnych konsekwencji (;). Nadmierne korzystanie z czatów i mediów społecznościowych wiąże się z płcią żeńską u młodych studentów (;;;; S). Płeć żeńska została również zidentyfikowana jako predyktor problematycznych zakupów online (), ale odnotowano również sytuację odwrotną (;). Gry online są związane z płcią męską (), ale w obu płciach odnotowano masowe gry wieloosobowe (). Doniesiono, że pornografia online, a także hazard online są częstsze wśród dorosłych mężczyzn (), jednak argumentowano, że rola wzmacniania nagród, reaktywności wskazówek i pragnienia seksu online jest podobna dla obu płci (). Poszczególne platformy mediów społecznościowych o potencjale uzależniającym, takie jak strony sieciowe, takie jak Facebook, są używane przez obie płcie i twierdzono, że kobiety mogą być szczególnie narażone na ryzyko (). Ogólnie rzecz biorąc, w przypadku aspektów PIU mogą występować różnice w zależności od płci; alternatywnie może się zdarzyć, że po uwzględnieniu cech klinicznych / zaburzeń behawioralnych obie płcie są podobnie dotknięte (;;
).
Ogólnie rzecz biorąc, problematyczne korzystanie z Internetu, w tym szeroka gama problematycznych zachowań w Internecie, wymaga bardziej rygorystycznych badań, które rzuciłyby światło na to, które konkretne działania należy uznać za problematyczne lub dysfunkcyjne lub ogólnie przyczyniające się do zjawiska opisanego jako PIU. Sposób, w jaki wiek i płeć łagodzą związek między poszczególnymi działaniami internetowymi a PIU został zaniżony, co uzasadnia większą uwagę.
Naszym celem było zidentyfikowanie konkretnych działań związanych z Internetem statystycznie związanych z PIU oraz tego, czy istnieją interakcje z wiekiem lub płcią, które łagodzą te relacje.
2
Materiał i metody
2.1
Ustawienie i środki
Więcej szczegółów na temat ustawień i miar tego badania opisano również w naszej poprzedniej publikacji na temat PIU (
). Zgłaszanie metod do tego badania odbywa się zgodnie z wytycznymi STROBE (
). Obecne badanie przeprowadzono od stycznia 2014 – luty 2015. Osoby w wieku 18 i starsze były rekrutowane w dwóch miejscach: Chicago (USA) i Stellenbosch (RPA) za pomocą reklam internetowych (średni wiek 29 [18 – 77]; mężczyźni 1119 [64%]; 1285 Kaukaski [73%]). Reklamy poprosiły osoby fizyczne o wzięcie udziału w ankiecie internetowej dotyczącej korzystania z Internetu. Uczestnicy wypełnili anonimowo ankietę za pomocą oprogramowania Survey Monkey. Ankieta została wysłana przez Craigslist, tak więc celem byli tylko uczestnicy z określonych lokalizacji. Badanie zostało zatwierdzone przez instytuty ds. Przeglądu instytucjonalnego na każdej stronie badawczej. Uczestnicy nie otrzymali żadnej rekompensaty za uczestnictwo, ale zostali zapisani do losowej loterii, w której dostępnych było pięć nagród z każdą nagrodą o wartości między $ 50 i $ 200 w USA oraz trzy nagrody między ZAR250 i ZAR750 w Republice Południowej Afryki.
Ankieta internetowa zawierała pytania o wiek, płeć, rasę, status związku, orientację seksualną i wykształcenie każdej osoby, a także różne miary konkretnych działań internetowych. Zmierzyliśmy szereg różnych działań internetowych, w tym 1) ogólne surfowanie 2) gry internetowe łącznie 3) Gry RPG online 4) Pożeracze czasu / gry zręcznościowe (np. Aplikacje na iPoda / iPada / telefon komórkowy, Tetris, klejnoty) 5 ) Gra online dla wielu graczy (np. Call of Duty, Gears of War) 6) Zakupy online 7) Strony aukcyjne (np. EBay) 8) Hazard online 9) Sieci społecznościowe 10) Sporty online (np. Sporty fantasy, ESPN) 11) Pornografia / seks w internecie 12) Wiadomości / Blogowanie (np. AIM, Skype) i 13) Przesyłanie strumieniowe wideo / mediów (np. YouTube, Hulu). Ankieta obejmowała również pomiary kliniczne: test uzależnienia od Internetu (IAT) (
) aby zapewnić miarę niewłaściwego korzystania z Internetu; wybierz moduły Mini International Neuropsychiatric Interview (MINI) (), aby zidentyfikować prawdopodobne zaburzenia lękowe (SAD), uogólnione zaburzenia lękowe (GAD) i zaburzenia obsesyjno-kompulsyjne (OCD); Lista kontrolna objawów ADHD dla dorosłych ADHD (ASRS-v1.1) () w celu identyfikacji objawów nadpobudliwości psychoruchowej z deficytem uwagi (ADHD); Inwentarz Padwy (PI) () do identyfikacji tendencji obsesyjno-kompulsyjnych; oraz Barratt Impulsiveness Scale (BIS-11) do ilościowego określenia impulsywnej osobowości (
). Statystyki opisowe dla wszystkich zmiennych są sumowane i stratyfikowane według wieku w tabeli uzupełniającej S1a.
IAT zawiera pytania 20 badające aspekty PIU. Wyniki w zakresie IAT od 20 do 100 z 20 – 49 odzwierciedlającym łagodne korzystanie z Internetu, 50 – 79 umiarkowane korzystanie z Internetu oraz 80 – 100 odzwierciedlające intensywne korzystanie z Internetu. PI składa się z elementów 39 oceniających powszechne obsesyjne i kompulsywne zachowanie. BIS-11 to kwestionariusz samoopisowy służący do określania poziomów impulsywności.
Przeprowadziliśmy analizę głównych składników (PCA), aby określić, czy kilka elementów działań internetowych będzie w stanie wyjaśnić znaczną część wariancji. Jednak analiza ta wykazała, że wymagaliśmy> 11 z 13 składników, aby osiągnąć> 90% wariancji, co wskazuje, że znaczna część zmiennych związanych z aktywnością internetową ma unikalny udział w wariancji. Dlatego zdecydowaliśmy się wykorzystać każdą zmienną oddzielnie w naszej analizie.
W analizach uwzględniono jedynie dane od uczestników, którzy wypełnili całość ankiety internetowej, w tym mierniki aktywności internetowej. Oryginalna próbka obejmowała 2551 osób. 63 osoby wykluczono z powodu braku wyników IAT. Kolejnych 18 osób wykluczono ze względu na płeć transpłciową, a 459 z powodu braku ważnych zmiennych predykcyjnych, np. Wyników kwestionariusza PI lub BIS. Pięć osób zostało wykluczonych ze zgłaszania wieku <18 lat. Kolejnych 257 osób zostało wykluczonych z powodu braku pomiarów aktywności w Internecie. Ostateczny pełny zestaw obejmował 1749 osób z pełnymi wynikami dla wszystkich zmiennych. Ten ostatni etap procesu wykluczania uwzględnia różnicę w próbie między obecnym badaniem a
. Ten ostateczny pełny zestaw obejmował 1063 osoby z witryny Stellenbosch i 686 osób z witryny w Chicago. Szacowana częstość występowania PIU wynosiła ~ 8.5% przy wartości granicznej IAT 50 lub wyższej. Porównując dwie populacje w ośrodku badawczym, ośrodek Stellenbosch miał młodszych uczestników [średnia (zakres) 24.3 (18–76) vs 36.3 (18–77), ANOVA F <0.05, η 2 : 0.20], niższy odsetek płci męskiej [58% vs 73%, χ 2 <0.05, φ : 0.15], wyższy odsetek heteroseksualnej orientacji seksualnej [91% vs 84%, χ 2 <0.05, φ : 0.10], wyższe wskaźniki ADHD [50% vs 41% χ 2 <0.05, φ : 0.9], niższe wskaźniki zakupów online [średnia (zakres) 0.48 (0–5) vs 1.27 (0–5), ANOVA F <0.05, η 2 : 0.18] i nieco niższe wyniki IAT [średnia (zakres) 30.3 (20–94) vs 35.9 (20–85), ANOVA F <0.05, η 2 : 0.06]. Bardziej szczegółowe porównanie przedstawiono w tabeli uzupełniającej S1b. Proces rekrutacji i wykluczenia przedstawiono graficznie w Rys. 1 . Wszystkie zmienne ciągłe (tj. Wynik BIS) zostały znormalizowane, aby zwiększyć interpretowalność współczynników modelu. Metody przewidywania wykorzystywały wynik IAT jako zmienną numeryczną (Range 20 – 94, Mean 32.48). Wszystkie analizy przeprowadzono w wersji R Studio 3.1.2. Uogólnione modele liniowe Lasso wykonano za pomocą pakietu „glmnet” (pakiet glmnet wersja 2.0 – 5 (
)). Więcej szczegółów na temat procesu analizy można znaleźć w Suplemencie (załącznik metodologiczny).
2.2
Eksploracja korelacji
Badaliśmy korelacje między zmiennymi w naszych danych (patrz Rys. 2 ). Wszystkie różne działania internetowe miały słabe dodatnie korelacje z wynikiem IAT (zakres współczynnika korelacji Pearsona 0.23–0.48). Zidentyfikowano pewne umiarkowane dodatnie korelacje między zmiennymi dotyczącymi aktywności w Internecie, np. Gry internetowe ogółem i RPG (r = 0.57), gry internetowe ogółem i gry akcji dla wielu graczy (r = 0.55), zakupy online i korzystanie z witryn aukcyjnych (r = 0.55), ogólne surfowanie i zakupy (r = 0.44), ogólne surfowanie i sieci społecznościowe (r = 0.44), ogólne surfowanie i media strumieniowe (r = 0.44). Występowały słabe dodatnie korelacje między sportem a pornografią (r = 0.38), płcią męską a sportem (r = 0.30) lub pornografią (r = 0.39) lub grami akcji dla wielu graczy (r = 0.27). Występowały słabe korelacje między hazardem online a grą akcji dla wielu graczy (r = 0.41), RGP (r = 0.32), witrynami aukcyjnymi (r = 0.38), sportem (r = 0.38) lub pornografią (r = 0.39). Impulsywność była słabo dodatnio skorelowana z ogólnym surfowaniem, zakupami online, korzystaniem z serwisów aukcyjnych, portali społecznościowych, mediów strumieniowych i pornografii (0.2 ≤ r ≤ 0.3). Wystąpiła również słaba korelacja między starszym wiekiem a czynnościami zakupowymi (r = 0.33) lub korzystaniem z serwisów aukcyjnych (r = 0.22) oraz między nieheteroseksualną orientacją seksualną a pornografią (r = 0.22). Wszystkie inne korelacje między aktywnością internetową a wiekiem, płcią, statusem związkowym, orientacją seksualną, poziomem wykształcenia, rasą oraz poziomem impulsywności i kompulsywności były bardzo słabe (−0.2 <r <0.2).
2.3
Radzenie sobie z nadmiernym dopasowaniem
Do naszych metod statystycznych wykorzystaliśmy modele, które obejmowały zmienne demograficzne (wiek, rasę, poziom wykształcenia, płeć, status związku, orientację seksualną), charakterystykę kliniczną (diagnozy ADHD, GAD, lęk społeczny i OCD), wymiary behawioralne znane jako związane z PIU (impulsywność i kompulsywność), działania internetowe i warunki interakcji między działaniami internetowymi × Wiek lub płeć; ten drugi postanowił przetestować hipotezę, że wiek lub płeć łagodzą związek między działaniami internetowymi a problematycznymi wynikami korzystania z Internetu. Uwzględniliśmy łącznie zmienne predykcyjne 51. Uwzględniając wiele zmiennych, opracowaliśmy model, który jest bardziej dokładny i jednocześnie rejestruje złożone interakcje między zmiennymi aktywności demograficznej i internetowej. Jednak wadą posiadania wielu zmiennych predykcyjnych jest to, że zazwyczaj prowadzi to do nadmiernego dopasowania, któremu towarzyszą duże współczynniki. Ponadto regresja liniowa w próbie ma również tendencję do nadmiernego dopasowania, zwłaszcza w złożonych modelach, i jest zasadniczo wadliwa w przewidywaniu nowych danych. Istnieją obszerne dowody na niedostatki nadmiernie dopasowanych modeli (
). Aby poradzić sobie z nadmiernym dopasowaniem, omówiliśmy zastosowanie metod statystycznych poza próbą (walidacja krzyżowa), aby uzyskać oszacowanie błędu generalizacji i prognozowania modelu (
). Zbadaliśmy to podejście w naszych bieżących danych, gdy użyliśmy poza próbą zweryfikowanej krzyżowo estymacji pierwiastka średniej kwadratowej błędu w połączeniu z wstecznym wyborem zmiennych, aby sprawdzić, czy modele poprawiają się poprzez dodanie dużej liczby zmiennych w podzbiory możliwych kombinacji predyktorów i widzieliśmy, że rzadkie modele (tj. z około 13 do 16 zmiennych) były nie gorsze pod względem walidowanych krzyżowo RMSE w porównaniu z bardziej złożonymi modelami (w tym> 16 zmiennych). Jest to pokazane w eksploracji Rys. 3 (lewy górny).
2.4
Regularna regresja z ograniczeniami rzadkimi
Z powodów wymienionych w poprzednim akapicie chcieliśmy zastosować metodę przewidywania, która nie byłaby zbyt silna, a jednocześnie porównywalna do standardowych metod statystycznych pod względem przewidywania wyników PIU. Byłoby również cenne, gdyby nasza metoda mogła również dokonać wyboru zmiennych (tj. Poprzez zmniejszenie liczby predyktorów o niezerowych współczynnikach), aby pomóc w interpretowalności modelu. Regularyzacja, początkowo zaprojektowana przez Tichonowa do rozwiązywania równań całkowych (
) i później wprowadzone w statystyce przez niektóre z pożądanych wyżej wymienionych właściwości przesuwania konstrukcji modelu w kierunku rzadkości i zmniejszania nadmiernego dopasowania (). Lasso (uogólniony model liniowy z penalizowanym maksymalnym prawdopodobieństwem, znany jako regresja przy użyciu najmniejszego bezwzględnego skurczu i operatora wyboru (Lasso lub LASSO ())) jest metodą analizy regularyzacji i regresji obecnie często stosowaną w naukach medycznych (;) i ma potencjał do wykorzystania w kliniczne modelowanie predykcyjne w psychiatrii (RC). Regresja grani jest kolejną formą regulowanej regresji liniowej, która zmniejsza współczynniki poprzez wprowadzenie kary za współczynnik (). Siatka elastyczna jest modelem pośrednim między grzbietem a lasso, a jego kara jest kontrolowana przez α, który wypełnia lukę między Lasso (α = 1) a grzbietem (α = 0). Parametr strojenia λ kontroluje ogólną siłę kary. Lasso używa kary L1, a grzbiet używa kary L2. W przeciwieństwie do regresji grzbietowej, efekt kary Lasso L1 polega na tym, że większość współczynników jest doprowadzana do zera, co prowadzi do uregulowanego rozwiązania, które jest rzadkie w tym samym czasie. Dzięki temu mechanizmowi Lasso dokonuje wyboru zmiennych, które mogą znacznie uprościć interpretację, zwłaszcza jeśli w modelu zaangażowanych jest wiele predyktorów. Inną niestandardową metodą znaną z wysokiej dokładności i zdolności do uniknięcia nadmiernego dopasowania są losowe lasy (
). Losowe lasy to metoda uczenia maszynowego, która dobrze radzi sobie z nieliniowymi zależnościami, dlatego badanie wydajności tego modelu może dać nam wgląd w, być może „ukryte”, złożone skojarzenia.
2.5
Metody prognozowania
Aby wybrać odpowiedni model w naszej analizie, porównaliśmy regresję liniową, regresję grzbietową, elastyczną siatkę, Lasso i modele lasów losowych między sobą oraz z naiwną linią bazową, stosując sprawdzone krzyżowo oszacowanie RMSE poza próbą. Nasza walidacja krzyżowa obejmowała losowe dzielenie danych w zestawie uczącym i testowym, dostrajanie parametrów modelu w zestawie uczącym i prognozowanie wyników IAT w zestawie testowym. Ze względu na losowy charakter dzielenia danych na fałdy, powtórzyliśmy ten proces 50 razy, aby uzyskać stabilne i powtarzalne oszacowanie. Następnie porównaliśmy końcowe wektory wyników RMSE za pomocą testów rangowanych rangowanych dokładnych Wilcoxona-Pratta. Wszystkie modele były znacząco lepsze od naiwnej linii bazowej (skorygowane p <0.001, d Cohena = -0.87) (patrz Tabela uzupełniająca S2). Sumaryczne statystyki wyników RMSE przedstawiono w tabeli uzupełniającej S3. Lasso i elastyczna siatka były lepsze od regresji grzbietowej (skorygowane p <0.01, d = 0.51, d = 0.49) i regresji liniowej (skorygowane p <0.001, d = 0.76) i nie różniły się statystycznie między sobą (skorygowane p> 0.05, d = -0.08). Losowy las nie przewyższał ani lassa (p = 0.12), ani elastycznej siatki (skorygowane p> 0.05). Dlatego w naszej analizie wykorzystaliśmy Lasso, ponieważ poza dobrą wydajnością prognozowania poza próbą, Lasso był w stanie przeprowadzić selekcję zmiennych, zmniejszając współczynniki do zera, a tym samym zwiększając interpretowalność. Chociaż elastyczna siatka może również dokonywać wyboru zmiennych, ma tendencję do wybierania większej liczby zmiennych i pomimo tego, że jest bardziej złożonym i mocniejszym modelem, nie zapewniała znacznie lepszej wydajności niż lasso. W naszej końcowej analizie pełnych danych i analiz podgrup wykorzystaliśmy 10-krotną weryfikację krzyżową, aby uzyskać optymalną lambdę dla każdego modelu lasso i zgłosić współczynniki wygenerowane przez te modele. Wykresy wyjaśniające wynikające z pełnej analizy danych przedstawiono w Rys. 3 .
3
Efekt
Wyniki regresji Lasso są podsumowane w całej próbce i podzielone według wieku Tabele 1 i 2 . Pełne tabele wyników dla analiz podgrup, w tym stratyfikowanych według wieku i miejsca badania, przedstawiono w tabelach uzupełniających w Internecie (tabele S4 – S10). Eksploracyjne wykresy danych są przedstawione w rysunkach uzupełniających (rys. S1 – S3). Wyniki bardziej standardowego statystycznego podejścia regresji liniowej są również przedstawione w tabelach uzupełniających S4 – S10, a wszelkie różnice wnioskowania strukturalnego w porównaniu z głównymi wynikami przedstawionymi poniżej są uzależnione od wyboru innego modelu.
| Aktywność internetowa | Wszystko (n = 1749) | 18 ≤ Wiek ≤ 25 (n = 1042) | 26 ≤ Wiek ≤ 55 (n = 592) | Wiek> 55 lat (n = 115) |
|---|---|---|---|---|
| Ogólne surfowanie | 2.100 | 2.400 | 1.500 | 0.590 |
| Gry internetowe | 0.600 | 0.450 | 0.110 | 0.000 |
| RPG | 0.000 | 0.000 | 0.710 | 0.000 |
| Czasopożeracze | 0.000 | 0.000 | 0.000 | 0.450 |
| Akcja multiplayer | 0.000 | 0.000 | 0.000 | 0.000 |
| Zakupy | 1.400 | 0.840 | 1.500 | 0.000 |
| Strony aukcyjne | 0.027 | 0.000 | 0.990 | 0.230 |
| Hazard | 0.000 | 0.000 | 0.780 | 0.000 |
| Sieć społecznościowa | 0.460 | 0.000 | 1.300 | 0.000 |
| SPORTOWE | 0.000 | 0.000 | 0.000 | 0.000 |
| Pornografia | 1.000 | 1.400 | 0.210 | 0.000 |
| Komunikatory | 0.000 | 0.000 | 0.110 | 0.000 |
| Media strumieniowe | 0.000 | 0.000 | 0.000 | 1.200 |
| PADUA | 0.074 | 0.085 | 0.029 | 0.065 |
| BIS | 0.066 | 0.048 | 0.072 | 0.086 |
| Diagnoza ADHD | 1.700 | 0.350 | 3.100 | 0.000 |
| Diagnoza GAD | 0.230 | 0.000 | 0.000 | 6.400 |
| Diagnoza lęku społecznego | 0.000 | 0.560 | 0.000 | 0.000 |
| Rozpoznanie OCD | 0.270 | 0.000 | 0.000 | 4.300 |
| Aktywność internetowa | Wszystko (n = 1749) | 18 ≤ Wiek ≤ 25 (n = 1042) | 26 ≤ Wiek ≤ 55 (n = 592) | Wiek> 55 lat (n = 115) |
|---|---|---|---|---|
| Zmienne demograficzne | 0.000 | 0.000 | 0.000 | 0.000 |
| Płeć × każda aktywność internetowa | 0.000 | 0.000 | 0.000 | 0.000 |
| Wiek × ogólny surfing | 0.000 | - | - | - |
| Wiek × gry internetowe | 0.000 | - | - | - |
| Wiek × RPG | 0.330 | - | - | - |
| Wiek × marnotrawcy czasu | 0.000 | - | - | - |
| Wiek × akcja multiplayer | 0.000 | - | - | - |
| Wiek × zakupy | 0.000 | - | - | - |
| Wiek × hazard | 0.150 | - | - | - |
| Age × strony aukcyjne | 0.350 | - | - | - |
| Age × serwisy społecznościowe | 0.000 | - | - | - |
| Wiek × sport | 0.000 | - | - | - |
| Wiek × pornografia | 0.000 | - | - | - |
| Wiek × wiadomości | 0.000 | - | - | - |
| Wiek × media strumieniowe | 0.350 | - | - | - |
3.1
Demografia
W regresji lasso żadna zmienna obejmująca wiek, płeć, rasę, poziom wykształcenia, status związku lub orientację seksualną nie była powiązana z PIU w żadnej podgrupie wiekowej ani w pełnych danych.
3.2
Działania internetowe
W pełnych danych regresji Lassa szereg działań internetowych było powiązanych z wysokimi wynikami PIU, w tym ogólne surfowanie (β: 2.1), gry internetowe (β: 0.6), zakupy online (β: 1.4), korzystanie z witryn aukcyjnych (β: 0.027), portale społecznościowe (β: 0.46) i korzystanie z pornografii internetowej (β: 1.0). Relacje między PIU a grami fabularnymi (RPG), hazardem online, korzystaniem z witryn aukcyjnych i korzystaniem z mediów strumieniowych były moderowane ze względu na wiek (odpowiednio β: 0.33, 0.15, 0.35 i 0.35), przy czym starszy wiek wiązał się z wyższymi wynikami PIU . W analizie podgrup wiekowych (młodzi uczestnicy w wieku ≤ 25 lat, w średnim wieku 25 <≤ 55 lat; starsi uczestnicy w wieku> 55 lat) ogólne surfowanie wiązało się z PIU we wszystkich grupach wiekowych, ale silniej u młodych (β: 2.4) , mniej w średnim wieku (β: 1.5), a jeszcze mniej u starszych uczestników (β: 0.59). Podobny trend zaobserwowano w grach internetowych (β: 0.45, 0.11 i 0.0 odpowiednio dla trzech grup wiekowych) oraz w korzystaniu z pornografii internetowej (β: 1.4, 0.21 i 0.0). Niektóre czynności internetowe, takie jak korzystanie z gier RPG online, były silniej związane z PIU u uczestników w średnim wieku w porównaniu z innymi grupami wiekowymi (β: 0.71). To samo dotyczyło hazardu online (β: 0.78), komunikatorów internetowych (β: 0.11) i internetowych portali społecznościowych (β: 1.3). Korzystanie z serwisów aukcyjnych było również silniej związane z PIU u uczestników w średnim wieku (β: 0.99), ale także predykcyjne u starszych uczestników (β: 0.23). Przesyłanie strumieniowe mediów online i marnowanie czasu były związane z PIU u starszych uczestników (odpowiednio β: 1.2, 0.45), ale nie w żadnej innej grupie wiekowej.
3.3
Charakterystyka kliniczna i behawioralna
Objawy zespołu nadpobudliwości psychoruchowej (ADHD) (β: 1.7), uogólnionego zaburzenia lękowego (GAD) (β: 0.23) i zaburzenia obsesyjno-kompulsyjnego (OCD) (β: 0.27) były związane z wyższymi wynikami PIU. W analizie podgrupy wiekowej ADHD i SAD wiązały się z wyższymi wynikami PIU u młodszych uczestników (odpowiednio β: 0.35 i 0.56), podczas gdy ADHD pozostawała istotna w podgrupie w średnim wieku (β: 3.1). GAD i OCD były związane z wyższymi wynikami PIU w podgrupie starszych uczestników (odpowiednio: β: 6.4 i 4.3), ale nie w innych grupach wiekowych. Wyniki BIS (osobowość impulsywna) i wyniki PADUA (tendencje obsesyjno-kompulsyjne) były związane z wyższymi wynikami PIU w pełnych danych (odpowiednio: β: 0.066 i 0.074) oraz we wszystkich analizach podgrup wieku.
4
Dyskusja
Niniejszy artykuł jest pierwszą próbą wszechstronnego zbadania różnych rodzajów działań internetowych związanych z nieprzystosowawczym korzystaniem z Internetu, tj. Z problematycznym korzystaniem z Internetu. Wcześniejsze prace zajmowały się ogólnie kwestią konkretnych działań internetowych prowadzących do problematycznego wykorzystania, koncentrując się na izolowanych działaniach internetowych (
; ; ; ; ). Pokazaliśmy tutaj, że szereg działań internetowych, w tym ogólne surfowanie, gry internetowe, zakupy online, korzystanie z serwisów aukcyjnych, hazard online, sieci społecznościowe i korzystanie z pornografii online, wnosi osobno i wyłącznie do PIU, dostarczając dowodów, że PIU jest skomplikowanym zjawisko obejmujące szereg problematycznych zachowań. Ponadto wykazaliśmy, że zachowania te zachowują swoje statystycznie istotne skojarzenia z PIU, nawet jeśli objawy psychiczne są znane jako związane z PIU (tj. Objawy ADHD, GAD i OCD) (;) i wymiary zachowania znane jako predykcyjne PIU (tj. Miary osobowości impulsywności i kompulsywności) (;;;
) są brane pod uwagę. Wykazaliśmy ponadto, że określone działania internetowe, takie jak RPG, hazard internetowy, korzystanie z serwisów aukcyjnych i mediów strumieniowych, są związane z wyższymi wynikami PIU i że zależność ta zależy od wieku. Wreszcie nasze dane pokazują, że inne rodzaje zachowań internetowych (np. Zakupy, pornografia, ogólne surfowanie) mają silniejszy związek z nieprzystosowawczym korzystaniem z Internetu niż gry i możliwe, że wiąże się to z faktem, że poprzednie badania nie obejmowały takiego szeroki zakres działań związanych z Internetem. Wyniki te mają znaczące implikacje dla konceptualizacji PIU jako klinicznie znaczącego zaburzenia, ponieważ odwracają uwagę od jednowymiarowej i stosunkowo wąskiej konstrukcji „zaburzenia gry internetowej” w kierunku wielowymiarowego podmiotu problematycznego korzystania z Internetu lub uzależnienia od Internetu zawierającego wiele aspektów zachowania ludzi w Internecie.
Ponadto, wykorzystując walidację krzyżową poza próbą, wykazaliśmy, że „niestandardowe” podejście do regresji Lasso jest bardziej dokładne w przewidywaniu wyników PIU w porównaniu z regresją liniową „bardziej standardową”. Wykorzystanie oszacowania wartości predykcyjnej modelu poza próbą często pomaga w przezwyciężeniu zjawiska, w którym znaczenie zanika w badaniach replikacji. Jednak wybór regresji Lasso wiąże się z zastrzeżeniem, że zmienne, które nie są wybrane przez model (z zerowymi współczynnikami), mogą nadal być predykcyjne, zwłaszcza gdy istnieją wysokie korelacje między wybranymi i nie wybranymi zmiennymi. W naszym zbiorze danych nie mieliśmy żadnych wysoce skorelowanych zmiennych, jednak to ograniczenie oznacza, że powinniśmy traktować wszelkie negatywne wyniki zachowawczo. Na przykład brak związku między płcią a PIU, a także brak związku między płcią × Działania internetowe z PIU niewątpliwie potwierdzają hipotezę, że jeśli weźmie się pod uwagę szerszy zakres zachowań PIU i potencjalnych czynników zakłócających, obie płcie są równie narażone do rozwijania aspektów PIU (
; ). Jednak ze względu na ograniczenia naszej analizy nie możemy wykluczyć, że istnieją inne powiązania między PIU a płcią. Na przykład zasugerowano, że płeć łagodzi związek między zakupami online a PIU i że kobiety mogą być bardziej narażone na ryzyko (). Istotne może być to, że kompulsywne zaburzenie zakupów, zaburzenie, które jest widoczne w grupach w średnim wieku, ma przewagę kobiet dzięki wskaźnikowi 5: 1 () i może prowadzić do takich wyników. Nie mieliśmy żadnych danych na temat tego zaburzenia, aby przetestować tę hipotezę. Należy również zauważyć, że zastosowany tutaj instrument IAT otrzymał krytykę na temat braku solidności w zakresie struktury czynników, różnic w porównaniu z obecną operacją DSM-5 (zaburzenia gry) i opóźnień w stosunku do postępu technologicznego aplikacji internetowych (;
). Przyszłe badania PIU byłyby dobrze obsługiwane przez solidne metodologicznie, zwalidowane instrumenty, które byłyby również w stanie uchwycić szybko ewoluującą naturę PIU z perspektywy technologicznej i behawioralnej.
Nasza analiza podgrup wiekowych dostarczyła informacji na temat powiązań wieku między PIU a różnymi działaniami internetowymi. Wspólna koncepcja, że PIU jest zaburzeniem młodzieży, niekoniecznie jest poprawna i może opierać się na braku odpowiednio zaprojektowanych badań, które wychwytują zachowania internetowe we wszystkich grupach wiekowych. Niedostateczna wiedza na temat historii naturalnej PIU w całym okresie życia nie pozwala na wszechstronne zbadanie słabych punktów w starszych populacjach pod względem ryzyka rozwoju PIU. Nasze wyniki wskazują jednak, że te luki istnieją, a dalsze badania są uzasadnione, aby określić cechy populacji zagrożonych. Na przykład, ADHD lub objawy lęku społecznego mogą być predyktorem dla PIU w młodych populacjach, podczas gdy objawy OCD lub GAD mogą być predyktorem dla PIU w starszych populacjach. Fakt, że OCD nie został powiązany z PIU w niedawnej metaanalizie (
) może być wskaźnikiem, że starsze populacje zostały zaniżone. Fakt, że ADHD był silnie związany z wysokimi wynikami PIU, nie jest zaskakujący, ponieważ w innych badaniach odnotowano bardzo wysokie rozpowszechnienie ADHD (do 100%) w populacjach PIU (). Jednocześnie określone populacje w średnim wieku (między 26 i 55) mogą być bardziej narażone na ryzyko PIU, jeśli cierpią również na kompulsywne zaburzenia kupowania lub zaburzenia hazardu, biorąc pod uwagę naturalną historię tych zaburzeń, które osiągają szczyt w średnim wieku (
).
Ponadto ustalenia, że konkretna działalność online była związana z PIU tylko w określonych grupach wiekowych, oznaczają, że poszczególne grupy wiekowe mogą być narażone na ryzyko rozwoju aspektów PIU. Podczas gdy młodzi ludzie mogą być bardziej narażeni na rozwój PIU ze skłonnością do oglądania pornografii, słabością, która może być słabsza w średnim wieku i słabnąca później w życiu, starsi ludzie mogą być bardziej podatni na rozwój PIU charakteryzujący się problematycznym wykorzystaniem czasu odpady i media strumieniowe (patrz eksploracja Rys. 4 ). Wreszcie, ogólny surfing może być niedocenianym aspektem PIU, który wydaje się być silniej związany z wyższymi wynikami PIU u młodych ludzi, ale ważny we wszystkich grupach wiekowych; odkrycie to może być związane z faktem, że wczesne dorosłe życie może być mniej ukierunkowane na cel, a młodzi ludzie spędzają więcej czasu podczas nieustrukturyzowanych działań w środowiskach internetowych w porównaniu z innymi starszymi grupami wiekowymi.
Nasze wyniki mają również wpływ na zdrowie publiczne w odniesieniu do regulacji treści internetowych i ukierunkowanych interwencji. Jeżeli określone działania są silniej związane z rozwojem problematycznego stosowania niż inne, pojawia się pytanie, czy polityka zdrowia publicznego powinna być skierowana do grup osób wrażliwych w celu zwiększenia ich odporności na ryzyko PIU, czy też bardziej uniwersalne interwencje ukierunkowane na określone aspekty zachowań internetowych, należy wziąć pod uwagę, aby uczynić środowiska online mniej uzależniającymi. Na przykład platformy internetowe mogą w niektórych przypadkach wykorzystywać specyficzne architektury, które wykorzystują luki w zabezpieczeniach użytkowników (tj. Cechy impulsywne lub kompulsywne) i mają na celu maksymalizację czasu przebywania użytkowników w środowisku online. Chociaż ma to sens z punktu widzenia marketingu, budzi obawy, czy te środowiska powinny również wydawać ostrzeżenie zdrowotne dla użytkownika.
4.1
Ograniczenia
Było to przekrojowe badanie internetowe, dlatego nie można wyciągnąć żadnych związków przyczynowych. Ponadto, ze względu na metodologię rekrutacji i możliwą skłonność osób z PIU do wypełnienia ankiety internetowej, obecne wyniki mogą nie uogólniać na PIU w ogólnej populacji ogólnej. Kolejnym ograniczeniem naszego badania jest brak danych klinicznych dla niektórych jednostek diagnostycznych związanych z PIU, np. Depresja czy nadużywanie substancji. Dlatego jest możliwe, że depresja lub nadużywanie substancji mogą odpowiadać za niektóre skojarzenia zaobserwowane w naszym badaniu. Przyszłe badania powinny obejmować szerszy zakres parametrów klinicznych, aby zbadać, czy odpowiadają one za powiązania obserwowane między PIU a działaniami w Internecie. Istnieją dalsze ograniczenia w odniesieniu do naszych danych klinicznych pochodzących z używania MINI; jest to potwierdzone, że zostało przeprowadzone przez przeszkoloną osobę w rozmowie twarzą w twarz, podczas gdy w naszym badaniu zostało przeprowadzone za pośrednictwem narzędzia online. Jednak nasze dane kliniczne są zgodne z wcześniejszymi badaniami PIU. Ponadto kolejną wadą naszego gromadzenia danych było to, że oceniliśmy aktywność w Internecie, wykorzystując czas spędzony na tej czynności jako miarę zastępczą dla JRP tej działalności. Chociaż może to wiązać się z nadmiernym, a zatem problematycznym użytkowaniem, może również uchwycić istotne użycie. Podczas gdy czynności oceniane w tym badaniu były często domyślnie nieistotne ze względu na ich charakter (np. Marnowanie czasu) lub gdy są wykonywane w znacznym nadmiarze (np.> 8 godzin dziennie zakupów, hazardu lub pornografii), przyszłe badania mogą uwzględniać środki, które mogą odróżnić istotne od nieistotnego korzystania z internetu w przypadku każdej czynności internetowej, aby umożliwić takie analizy. Kolejnym ograniczeniem naszego badania jest brak danych dotyczących populacji dzieci i młodzieży. Dzieci i młodzież mogą wchodzić w interakcje z Internetem w inny sposób, ale są również narażone na korzystanie z Internetu w innym oknie neurorozwojowym. Dlatego takie różnice mogą oznaczać różne podatności lub odporność pod względem ryzyka powstania PIU. Na przykład wczesna, niewielka ekspozycja na środowisko online może mieć efekt `` inokulacji stresu '' (
), która zapewnia jednostkom przyszłego rozwoju PIU. W takim przypadku może to dodatkowo wyjaśnić, dlaczego starsze populacje, które po raz pierwszy zetknęły się ze środowiskami internetowymi w wieku dorosłym, mogą być bardziej narażone. Przyszłe badania mogłyby objąć te grupy wiekowe dzieci i młodzieży i zbadać prospektywnie, czy określone działania internetowe są predykcją dla PIU. Niestety, liczba uczestników zgłaszających płeć transpłciową była niewielka (n = 18), co nie pozwoliło na miarodajną analizę wpływu płci transpłciowej. Ostatnim ograniczeniem naszego badania jest to, że populacja badana składa się ze zdrowych dorosłych, którzy tylko w <1% cierpią na istotne zachowania PIU (IAT> 80). Przyszłe badania skorzystałyby na skupieniu się na wyższym końcu spektrum PIU, aby móc porównać te ciężkie populacje PIU z grupą kontrolną składającą się z osób z niskim lub umiarkowanym lub bez PIU. Podczas gdy szacunkowa częstość występowania PIU w naszej próbie wyniosła ~ 8.5% (przy wartości granicznej IAT ≥ 50), progi przypadłości klinicznej dla PIU pozostają kontrowersyjne, a przyszłe badania przyniosłyby korzyści z powszechnie przyjętej miary i definicji PIU.
4.2
Wnioski
Podsumowując, DSM-5 podkreśla zaburzenia w grach internetowych jako zaburzenia kandydackie, ale inne rodzaje zachowań internetowych (np. Zakupy, pornografia, ogólny surfing) mają silniejszy związek z nieprzystosowawczym korzystaniem z Internetu niż z grami. Diagnozy psychiatryczne i działania internetowe związane z problematycznym korzystaniem z Internetu różnią się z wiekiem, co ma wpływ na zdrowie publiczne. Wyniki te przyczyniają się do ograniczonej wiedzy na temat działań internetowych związanych z problematycznym korzystaniem z Internetu i mogą przyczynić się do klasyfikacji diagnostycznej problematycznego korzystania z Internetu jako wieloaspektowego zaburzenia.
Rola źródeł finansowania
Badania te otrzymały wewnętrzne fundusze departamentalne Wydziału Psychiatrii Uniwersytetu w Chicago. Działania badawcze Dr. Ioannidis są wspierane przez sesje specjalnego zainteresowania Health Education East of England Higher Training. Autorzy nie otrzymali finansowania na przygotowanie tego manuskryptu. Źródło finansowania nie odgrywało żadnej roli w projektowaniu, analizie danych ani pisaniu badania.
Dostawcy
KI opracował koncepcję manuskryptu, przeanalizował dane, napisał większość manuskryptu i materiałów uzupełniających oraz koordynował wkład współautorów. MT i FK uczestniczyli w opracowaniu i przeglądzie analizy statystycznej. SRC, SR, DJS, CL i JEG zaprojektowały i koordynowały badanie oraz zgromadziły i zarządzały danymi. Wszyscy autorzy przeczytali i zatwierdzili ostateczną wersję rękopisu oraz przyczynili się do powstania redakcji i korekty artykułu, a także do interpretacji wyników.
Konflikt interesów
Dr Grant otrzymał granty badawcze od NIDA (RC1DA028279-01), Narodowego Centrum Odpowiedzialnej Gry oraz Roche i Forest Pharmaceuticals. Dr Grant otrzymuje odszkodowanie od Springer jako redaktor naczelny Journal of Gambling Studies i otrzymał tantiemy od McGraw Hill, Oxford University Press, Norton i APPI. Dr Chamberlain konsultuje się z Cambridge Cognition, a jego zaangażowanie w te badania było wspierane przez Intermediate Clinical Fellowship z Wellcome Trust (Wielka Brytania; 110049 / Z / 15 / Z). Dan Stein i Christine Lochner są finansowani przez Medical Research Council of South Africa. Inni autorzy nie podają żadnych powiązań finansowych z interesem handlowym. Żadne z wyżej wymienionych źródeł nie odgrywało żadnej roli w projektowaniu badania, gromadzeniu, analizie lub interpretacji danych, pisaniu manuskryptu ani decyzji o przedłożeniu artykułu do publikacji.
Potwierdzenie
Jesteśmy wdzięczni wolontariuszom obu stron, którzy wzięli udział w badaniu.
załącznik A
dane uzupełniające
Materiał uzupełniający
Referencje
- Achab i in., 2011. Achab S., Nicolier M., Mauny F., Monnin J., Trojak B., Vandel P. i Haffen E .: Masowo multiplayerowe gry fabularne online: Porównywanie cech uzależnionych i nieuzależnionych graczy online w Francuska populacja dorosłych. BMC Psychiatry 2011; 11: pp. 144
Zobacz w artykule - Amerykańskie Towarzystwo Psychiatryczne, 2013. Amerykańskie Stowarzyszenie Psychiatryczne: Diagnostyczny i statystyczny podręcznik zaburzeń psychicznych: DSM-5. Washington, DC: American Psychiatric Association, 2013.
Zobacz w artykule - Andreassen i in., 2012. Andreassen CS, Torsheim T., Brunborg GS i Pallesen S .: Opracowanie skali uzależnienia od Facebooka. Raporty psychologiczne 2012; 110: pp. 501-517
Zobacz w artykule | Cross Ref - Bakken i in., 2009. Bakken IJ, Wenzel HG, Götestam KG, Johansson A. i Oren A .: Uzależnienie od Internetu wśród norweskich dorosłych: badanie próby warstwowej prawdopodobieństwa. Scandinavian Journal of Psychology 2009; 50: pp. 121-127
Zobacz w artykule | Cross Ref - Czarny, 2007. Black DW: Przegląd kompulsywnego zaburzenia zakupów. World Psychiatry: Dziennik Urzędowy Światowego Stowarzyszenia Psychiatrycznego (WPA) 2007; 6: pp. 14-18
Zobacz w artykule - Blokuj, 2008. Block JJ: Problemy DSM-V: uzależnienie od Internetu. American Journal of Psychiatry 2008; 165: pp. 306-307
Zobacz w artykule | Cross Ref - Brand i wsp., 2011. Marka M., Laier C., Pawlikowski M., Schächtle U., Schöler T. i Altstötter-Gleich C .: Oglądanie zdjęć pornograficznych w Internecie: Rola ocen pobudzenia seksualnego i objawów psychologiczno-psychicznych w nadmiernym korzystaniu z internetowych stron seksu . Cyberpsychologia, zachowanie i sieci społecznościowe 2011; 14: pp. 371-377
Zobacz w artykule | Cross Ref - Breiman, 2001. Breiman L .: Modelowanie statystyczne: dwie kultury. Nauka statystyczna 2001; 16: pp. 199-215
Zobacz w artykule - Bujak i in., 2016. Bujak R., Daghir-Wojtkowiak E., Kaliszan R. i Markuszewski MJ: Metody oparte na PLS i regularyzacji do wyboru odpowiednich zmiennych w nieukierunkowanych danych metabolomicznych. Granice w Molecular Biosciences 2016; 3: pp. 1-10
Zobacz w artykule - Burns i in., 1996. Burns GL, Keortge SG, Formea GM i Sternberger LG: Rewizja Padwy Inwentarz objawów zaburzeń obsesyjno-kompulsyjnych: Rozróżnienia między zmartwieniami, obsesjami i przymusami. Badania zachowań i terapia 1996; 34: pp. 163-173
Zobacz w artykule | Cross Ref - Cao i in., 2007. Cao F., Su L., Liu T. i Gao X .: Związek między impulsywnością a uzależnieniem od internetu w próbce chińskiej młodzieży. European Psychiatry 2007; 22: pp. 466-471
Zobacz w artykule | Cross Ref - Carli i in., 2013. Carli V., Durkee T., Wasserman D., Hadlaczky G., Despalins R., Kramarz E. i Kaess M .: Związek między patologicznym wykorzystaniem Internetu a współistniejącą psychopatologią: przegląd systematyczny. Psychopatologia 2013; 46: pp. 1-13
Zobacz w artykule | Cross Ref - Claes i in., 2016. Claes L., Müller A. i Luyckx K .: Kompulsywne kupowanie i gromadzenie jako substytuty tożsamości: rola materialistycznego zatwierdzania wartości i depresji. Kompleksowa psychiatria 2016; 68: pp. 65-71
Zobacz w artykule | Cross Ref - Cole i Hooley, 2013. Cole SH i Hooley JM: Korelaty kliniczne i osobowościowe gier MMO: niepokój i absorpcja w problematycznym korzystaniu z Internetu. Social Science Computer Review 2013; 31: pp. 424-436
Zobacz w artykule | Cross Ref - Cunningham-Williams i in., 2005. Cunningham-Williams RM, Grucza RA, Cottler LB, Womack SB, Books SJ, Przybeck TR i Cloninger CR: Rozpowszechnienie i predyktory patologicznego hazardu: wyniki badania osobowości, zdrowia i stylu życia (SLPHL) St. Louis. Journal of Psychiatric Research 2005; 39: pp. 377-390
Zobacz w artykule | Cross Ref - von Elm i in., 2008. von Elm E., Altman DG, Egger M., Pocock SJ, Gøtzsche PC, Vandenbroucke JP i Initiative S .: Wzmocnienie sprawozdawczości z badań obserwacyjnych w epidemiologii (STROBE): Wytyczne dotyczące raportowania badań obserwacyjnych. Journal of Clinical Epidemiology 2008; 61: pp. 344-349
Zobacz w artykule | Cross Ref - Fernández-Villa i in., 2015. Fernández-Villa T., Alguacil Ojeda J., Almaraz Gómez A., Cancela Carral JM, Delgado-Rodríguez M., García-Martín M. i Martín V .: Problematyczne korzystanie z Internetu przez studentów uniwersytetu: powiązane czynniki i różnice płci . Adicciones 2015; 27: pp. 265-275
Zobacz w artykule | Cross Ref - Friedman i in., 2010. Friedman J., Hastie T. i Tibshirani R .: Ścieżki regulacyjne dla uogólnionych modeli liniowych za pomocą współrzędnych zejścia. Journal of Statistical Software 2010; 33: pp. 1-22
Zobacz w artykule - Griffiths, 2003. Griffiths M .: Hazard internetowy: problemy, obawy i zalecenia. Cyberpsychologia i zachowanie: wpływ Internetu, multimediów i rzeczywistości wirtualnej na zachowanie i społeczeństwo 2003; 6: pp. 557-568
Zobacz w artykule | Cross Ref - Ha i Hwang, 2014. Ha Y.-M. i Hwang WJ: Różnice między płciami w uzależnieniu od Internetu związane ze wskaźnikami zdrowia psychicznego wśród młodzieży za pomocą krajowego badania internetowego. International Journal of Mental Health and Addiction 2014; 12: pp. 660-669
Zobacz w artykule | Cross Ref - Ho i wsp., 2014. Ho RC, Zhang MWB, Tsang TY, Toh AH, Pan F., Lu Y. i Mak K.-K .: Związek między uzależnieniem od Internetu a współwystępowaniem chorób psychicznych: Metaanaliza. BMC Psychiatry 2014; 14: pp. 183
Zobacz w artykule - Hoerl i Kennard, 1970. Hoerl AE i Kennard RW: Regresja grani: szacowana zależność dla nieortogonalnych problemów. Technometrics 1970; 12: pp. 55-67
Zobacz w artykule - Huys i in., 2016. Huys QJM, Maia TV i Frank MJ: Psychiatria obliczeniowa jako most od neurobiologii do zastosowań klinicznych. Nature Neuroscience 2016; 19: pp. 404-413
Zobacz w artykule | Cross Ref - Igarashi i in., 2008. Igarashi T., Motoyoshi T., Takai J. i Yoshida T .: Bez mobilności, bez życia: samoocena i zależność od wiadomości tekstowych wśród japońskich uczniów szkół średnich.
Zobacz w artykule - Ioannidis i in., 2016. Ioannidis K., Chamberlain SR, Treder MS, Kiraly F., Leppink E., Redden S., i Grant JE: Problematyczne korzystanie z Internetu (PIU): Związki z widmem impulsywno-kompulsywnym. Journal of Psych: Zastosowanie uczenia maszynowego w psychiatrii, 2016.
Zobacz w artykule - Janower, 2006. Janower CR: Hazard w Internecie. Journal of Computer-Mediated Communication 2006; 2: pp. 0
Zobacz w artykule | Cross Ref - Kessler i in., 2005. Kessler RC, Adler L., Ames M., Demler O., Faraone S., Hiripi E. i Walters EE: Skala samooceny ADHD dla dorosłych w Światowej Organizacji Zdrowia (ASRS): skala przesiewowa do zastosowania w ogólnym populacja. Medycyna psychologiczna 2005; 35: pp. 245-256
Zobacz w artykule | Cross Ref - Kessler i in., 2016. Kessler RC, van Loo HM, Wardenaar KJ, Bossarte RM, Brenner LA, Cai T. i Zaslavsky AM: Testowanie algorytmu uczenia maszynowego w celu przewidywania trwałości i ciężkości dużych zaburzeń depresyjnych na podstawie własnych raportów. Molecular Psychiatry 2016; 21: pp. 1366-1371
Zobacz w artykule | Cross Ref - Khazaal i in., 2015. Khazaal Y., Achab S., Billieux J., Thorens G., Zullino D., Dufour M. i Rothen S .: Struktura czynnikowa testu uzależnienia od internetu u graczy internetowych i pokerzystów. JMIR Mental Health 2015; 2:
Zobacz w artykule - Kim i wsp., 2016. Kim D., Kang M., Biswas A., Liu C. i Gao J .: Podejście integracyjne do wnioskowania o sieciach regulacyjnych genów z wykorzystaniem losowego losowego wykorzystywania i zastosowania do zaburzeń psychicznych. BMC Medical Genomics 2016; 9: pp. 50
Zobacz w artykule - King, 1999. King SA: Hazard internetowy i pornografia: Ilustrujące przykłady psychologicznych konsekwencji anarchii komunikacyjnej. Cyberpsychology & Behavior 1999; 2: ss. 175–193
Zobacz w artykule - King and Barak, 1999. King SA i Barak A .: Kompulsywny hazard internetowy. Cyberpsychology & Behavior 1999; 2: pp. 441–456
Zobacz w artykule | Cross Ref - Király i in., 2015. Király O., Griffiths MD i Demetrovics Z .: Zaburzenia gier internetowych i DSM-5: konceptualizacja, debaty i kontrowersje. Raporty bieżącego uzależnienia 2015; 2: pp. 254-262
Zobacz w artykule - Király i in., 2014. Király O., Griffiths MD, Urbán R., Farkas J., Kökönyei G., Elekes Z. i Demetrovics Z .: Problematyczne korzystanie z Internetu i problematyczne gry online nie są takie same: wyniki z dużej reprezentatywnej próby młodzieży w kraju. Cyberpsychologia, zachowanie i sieci społecznościowe 2014; 17: pp. 749-754
Zobacz w artykule - Kittinger i in., 2012. Kittinger R., Correia CJ i Irons JG: Związek między korzystaniem z Facebooka a problematycznym korzystaniem z Internetu wśród studentów. Cyberpsychologia, zachowanie i sieci społecznościowe 2012; 15: pp. 324-327
Zobacz w artykule | Cross Ref - Ko et al., 2012. Ko C.-H., Yen J.-Y., Yen C.-F., Chen C.-S. i Chen C.-C .: Związek między uzależnieniem od Internetu a zaburzeniem psychicznym: przegląd literatury . European Psychiatry 2012; 27: pp. 1-8
Zobacz w artykule - Ko et al., 2007. Ko C.-H., Yen J.-Y., Yen C.-F., Lin H.-C. i Yang M.-J .: Czynniki predykcyjne występowania i remisji uzależnienia od Internetu u młodych nastolatków: A badanie perspektywiczne. Cyberpsychologia i zachowania: wpływ Internetu, multimediów i rzeczywistości wirtualnej na zachowanie i społeczeństwo 2007; 10: pp. 545–551
Zobacz w artykule | Cross Ref - Kuss i Griffiths, 2011. Kuss DJ i Griffiths MD: Internetowe sieci społecznościowe i uzależnienia - przegląd literatury psychologicznej. International Journal of Environmental Research i Public Health 2011; 8: pp. 3528-3552
Zobacz w artykule | Cross Ref - Kuss i in., 2013. Kuss DJ, Griffiths MD i Binder JF: uzależnienie od Internetu u studentów: rozpowszechnienie i czynniki ryzyka. Komputery w zachowaniu ludzi 2013; 29: pp. 959-966
Zobacz w artykule | Cross Ref - Kuss i Lopez-Fernandez, 2016. Kuss DJ i Lopez-Fernandez O .: uzależnienie od Internetu i problematyczne korzystanie z Internetu: systematyczny przegląd badań klinicznych. World Journal of Psychiatry 2016; 6: pp. 143-176
Zobacz w artykule | Cross Ref - Laconi i in., 2016. Laconi S., Andréoletti A., Chauchard E., Rodgers RF i Chabrol H .: Problematyczne korzystanie z Internetu, czas spędzony w Internecie i cechy osobowości. L'Encéphale 2016; 42: pp. 214–218
Zobacz w artykule | Cross Ref - Laconi i in., 2014. Laconi S., Rodgers RF i Chabrol H .: Pomiar uzależnienia od Internetu: krytyczny przegląd istniejących skal i ich właściwości psychometrycznych. Komputery w zachowaniu ludzi 2014; 41: pp. 190-202
Zobacz w artykule | Cross Ref - Laier i wsp., 2013. Laier C., Pawlikowski M., Pekal J., Schulte FP i Brand M .: Uzależnienie od Cyberseksualności: Doświadczone podniecenie seksualne podczas oglądania pornografii, a nie kontakty seksualne z życia, robi różnicę. Journal of Behavioral Addictions 2013; 2: pp. 100-107
Zobacz w artykule | Cross Ref - Lecardeur, 2013. Lecardeur L .: Psychopathologie du jeu multi-joueurs en ligne. Annales Médico-Psychologiques, Revue Psychiatrique 2013; 171: pp. 579-586
Zobacz w artykule | Cross Ref - Liang i in., 2016. Liang L., Zhou D., Yuan C., Shao A. i Bian Y .: Różnice między płciami w związku między uzależnieniem od internetu a depresją: opóźnione badanie w chińskiej młodzieży. Komputery w zachowaniu ludzi 2016; 63: pp. 463-470
Zobacz w artykule | Cross Ref - Lopez-Fernandez, 2015. Lopez-Fernandez O .: Jak ewoluowały badania nad uzależnieniem od Internetu od czasu pojawienia się zaburzeń w grach internetowych? Przegląd cyberprzestępstw z perspektywy psychologicznej. Raporty bieżącego uzależnienia 2015; 2: pp. 263-271
Zobacz w artykule | Cross Ref - Masten i Tellegen, 2012. Masten AS i Tellegen A .: Odporność na psychopatologię rozwojową: wkład w badanie kompetencji podłużnych projektu. Rozwój i psychopatologia 2012; 24: pp. 345-361
Zobacz w artykule | Cross Ref - Mueller i in., 2010. Mueller A., Mitchell JE, Crosby RD, Gefeller O., Faber RJ, Martin A. i de Zwaan M .: Szacowane rozpowszechnienie kompulsywnego kupowania w Niemczech i jego związek z cechami socjodemograficznymi i objawami depresji. Psychiatry Research 2010; 180: pp. 137-142
Zobacz w artykule | Cross Ref - Patton i wsp., 1995. Patton JH, Stanford MS i Barratt ES: Struktura czynnikowa skali impulsywności Barratt. Journal of Clinical Psychology 1995; 51: pp. 768-774
Zobacz w artykule | Recupero, 2008. Recupero PR: Ocena kryminalistyczna problematycznego korzystania z Internetu. The Journal of the American Academy of Psychiatry and the Law 2008; 36: pp. 505-514
Zobacz w artykule - Rose i Dhandayudham, 2014. Rose S. i Dhandayudham A .: W kierunku zrozumienia problemowego zachowania związanego z zakupami przez Internet: koncepcja uzależnienia od zakupów internetowych i proponowanych przez nich predyktorów. Journal of Behavioral Addictions 2014; 3: pp. 83-89
Zobacz w artykule | Cross Ref - Rutland i in., 2007. Rutland JB, Sheets T. i Young T .: Opracowanie skali do pomiaru problemowego wykorzystania usługi krótkich wiadomości: Problem SMS wykorzystuje kwestionariusz diagnostyczny. Cyberpsychology & Behavior 2007; 10: pp. 841–844
Zobacz w artykule | Cross Ref - Rutter, 1993. Rutter M .: Resilience: Niektóre rozważania koncepcyjne. The Journal of Adolescent Health: Oficjalna publikacja Society for Adolescent Medicine 1993; 14: pp. 626-631
Zobacz w artykule | Cross Ref - Shaw and Black, 2008. Shaw M. i Black DW: uzależnienie od Internetu: definicja, ocena, epidemiologia i zarządzanie kliniczne. CNS Drugs 2008; 22: pp. 353-365
Zobacz w artykule | Cross Ref - Sheehan i in., 1998. Sheehan DV, Lecrubier Y., Sheehan KH, Amorim P., Janavs J., Weiller E. i Dunbar GC: Mini-międzynarodowy wywiad neuropsychiatryczny (MINI): Opracowanie i walidacja ustrukturyzowanego diagnostycznego wywiadu psychiatrycznego dla DSM-IV i ICD-10. The Journal of Clinical Psychiatry 1998; 59:
Zobacz w artykule - Tam i Walter, 2013. Tam P. i Walter G .: Problematyczne korzystanie z Internetu w dzieciństwie i młodości: ewolucja choroby 21st. Australasian Psychiatry 2013; niezdefiniowany:
Zobacz w artykule - Tibshirani, 1996. Tibshirani R .: Skurcz regresji i selekcja przez lasso. Dziennik Królewskiego Towarzystwa Statystycznego, Seria B 1996; 58: pp. 267-288
Zobacz w artykule - Tichonow, 1963. Tikhonov AN: Rozwiązanie nieprawidłowo sformułowanych problemów i metoda regularyzacji. Matematyka sowiecka Doklady 1963; 5: pp. 1035-1038
Zobacz w artykule - Trotzke i in., 2015. Trotzke P., Starcke K., Müller A., i Brand M .: Patologiczne kupowanie online jako specyficzna forma uzależnienia od Internetu: oparte na modelach badanie eksperymentalne. PLoS One 2015; 10:
Zobacz w artykule - Tsai i in., 2009. Tsai HF, Cheng SH, Yeh TL, Shih C.-C., Chen KC, Yang YC i Yang YK: Czynniki ryzyka uzależnienia od Internetu? Psychiatry Research 2009; 167: pp. 294-299
Zobacz w artykule | Cross Ref - Wallace, 2014. Wallace P .: Uzależnienie od Internetu i młodzież: Pojawiają się coraz większe obawy związane z kompulsywną aktywnością online, która może utrudniać wyniki uczniów i ich życie towarzyskie. Raporty EMBO 2014; 15: s. 12-16
Zobacz w artykule | Cross Ref - Xin i in., 2018. Xin M., Xing J., Pengfei W., Houru L., Mengcheng W. i Hong Z .: Działania online, rozpowszechnienie uzależnienia od Internetu i czynniki ryzyka związane z rodziną i szkołą wśród młodzieży w Chinach. Addictive Behaviors Reports 2018; 7: pp. 14-18
Zobacz w artykule | Cross Ref - Yuen i in., 2004. Yuen CN, Lavin MJ, Weinman M. i Kozak K .: Uzależnienie od Internetu w populacji kolegialnej: rola nieśmiałości. Cyberpsychology & Behavior 2004; 7: str. 379–383
Zobacz w artykule | Cross Ref - Young, 1998. Młody KS: Uzależnienie od Internetu: Pojawienie się nowego zaburzenia klinicznego. CyberPsychology & Behavior 1998; 1: str. 237-244
Zobacz w artykule | Cross Ref
;