Peng Wang1, Qingnan Lin2, 
Fengqiang Gao1* e Yingmin Chen1*
- 1Escola de Psicologia, Universidade Normal de Shandong, Jinan, China
- 2Departamento de Educação Pré-Escolar, Heze University, Heze, China
Este estudo explorou a relação recíproca entre o vício em internet (IA) e a cognição desadaptativa relacionada à rede (NMC) em calouros universitários chineses. Uma pesquisa longitudinal de curto prazo com uma amostra de calouros universitários da 213 foi conduzida na província de Shandong, na China. Os resultados revelaram que a IA pode predizer significativamente a geração e o desenvolvimento de CMNs, e que quando tais cognições mal adaptadas forem estabelecidas, elas podem afetar ainda mais a extensão da AI dos estudantes. Um ciclo vicioso foi observado entre essas duas variáveis, com IA tendo prioridade preditiva em sua relação com o NMC. Este estudo também determinou que a relação entre essas duas variáveis era a mesma para homens e mulheres; portanto, o modelo final que estabelecemos pode ser aplicado extensivamente a calouros universitários chineses, independentemente do sexo. Compreender a relação recíproca entre essas duas variáveis pode ajudar nas intervenções em AI no início da vida universitária dos alunos.
Introdução
Desde a sua criação nos 1990s, a Internet tornou-se progressivamente parte integrante da vida diária na China, particularmente entre os adolescentes com idade entre 10 e 21 (Daniel et al., 2012; Liu et al., 2012). De acordo com 36th Relatório Estatístico sobre o Desenvolvimento da Internet na China, que foi publicado pelo CNNIC, o número de utilizadores adolescentes da Internet na China aumentou rapidamente de 120 milhões em 2002 para 287 milhões em 2016 (Tian et al., 2017).
A Internet produziu numerosos benefícios, como a melhoria da conexão social e bem-estar (Bessière et al., 2008; Young e de Abreu, 2011). No entanto, a dependência da Internet (AI), caracterizada pelo uso excessivo ou compulsivo da Internet (Young et al., 1999; Shek et al., 2013; Yang et al., 2014) teve numerosos efeitos negativos (Joseph et al., 2016). Diversos estudos demonstraram que a IA pode afetar adversamente a saúde física e mental (Ayas e Horzum, 2013; Georgios et al., 2014; Mike e Zhong, 2014). Por exemplo, adolescentes com AI geralmente experimentam ansiedade, depressão, solidão, baixa autoestima e relacionamentos interpessoais ruins (Tokunaga e chuvas, 2010; Georgios et al., 2014; Mike e Zhong, 2014), o que pode afetar ainda mais negativamente o seu bem-estar (Tokunaga e chuvas, 2010; Georgios et al., 2014; Mike e Zhong, 2014) e desenvolvimento académico (Chuang, 2006; Kim et al., 2008; Tsai e outros, 2009; Ahmadi e Saghafi, 2013). Portanto, estudar IA em adolescentes tem implicações educacionais e sociais críticas.
Relação entre IA e NMC
Há muito se pensa que a cognição desadaptativa relacionada à rede (NMC) desempenha um papel central na IA (Li et al., 2013). De acordo com o modelo cognitivo-comportamental (Davis, 2001), a psicopatologia (por exemplo, depressão e ansiedade social) é uma causa necessária distal de sintomas de AI que, por si só, não resulta em sintomas de AI. Os principais fatores no IA são NMCs, que são causas suficientes proximais (Daniel et al., 2012; Figura 1). Numerosos estudos relataram que a psicopatologia distal torna um indivíduo vulnerável a AI através de NMC (Kalkan, 2012; Mai et al., 2012; Li e Wang, 2013; Lu e Yeo, 2015). Por exemplo, os pesquisadores investigaram a relação subjacente entre o temperamento (isto é, o controle do esforço, a alta procura de sensações e a alta raiva disposicional ou frustração) e o desenvolvimento de IA; os resultados indicaram que certos temperamentos influenciam o nível de IA através do efeito que o temperamento tem em sua cognição de comportamentos online (Zhang et al., 2015). Tian et al. (2017) examinou as associações recíprocas entre timidez, cognições mal-adaptativas e uso patológico generalizado da Internet (GPIU) em uma amostra chinesa. Os resultados indicaram que as associações entre essas variáveis são dinâmicas e bidirecionais, e que o aumento das cognições desadaptativas mediadas bidirecionalmente a relação entre timidez e GPIU ao longo do tempo. Além disso, outros estudos determinaram que o estilo parental e o relacionamento com seus pares podem predispor as pessoas ao NMC, o que afetaria ainda mais o nível de IA (Li et al., 2013; Wang et al., 2015).
FIGURA 1. Modelo cognitivo-comportamental de uso patológico da Internet (Davis, 2001).
Além disso, numerosos outros estudos se concentraram no vício em jogos pela Internet e investigaram sua relação com as cognições mal adaptadas. Rei e Delfabro (2014) propuseram um novo modelo que oferece explicações teóricas sobre as origens e patogênese da dependência de jogos na Internet. Os autores identificaram quatro cognições mal-adaptativas subjacentes ao vício em jogos na Internet, a saber, supervalorização, regras mal-adaptativas, autoestima em jogos e aceitação de jogos. Alguns estudos empíricos também descobriram que os adolescentes com sintomas de dependência de jogos na Internet relataram significativamente mais cognições mal adaptativas do que os adolescentes sem esses sintomas (Zhou e outros, 2012; Liu et al., 2014; Rei e Delfabbro, 2016). Peng e Liu (2010) relataram que uma escala de cinco itens que mede cognições previu significativamente o vício em jogos na Internet em adultos chineses. Forrest et al. (2016) investigou cognições desadaptativas associadas a jogos de vídeo game problemáticos em uma amostra de adultos australianos da 465. Os resultados revelaram que essas cognições problemáticas se correlacionaram moderadamente a altamente com o vício em jogos pela Internet. Forrest et al. (2017) explorou se a cognição mal-adaptativa poderia prever mudanças futuras em videogames problemáticos usando um estudo longitudinal de meses 12. Os resultados mostraram que a mudança cognitiva representou 28% de variação nas pontuações de jogos problemáticas além do sexo, idade e frequência dos jogos.
Embora vários estudos tenham identificado a influência do NMC na AI, poucos estudos exploraram a possível influência da IA no NMC. Teoria da dissonância cognitiva (Festinger, 1957), que se refere principalmente a como as pessoas experimentam e respondem a inconsistências no pensamento e entre comportamento e pensamento, fornece uma explicação alternativa de como o NMC se relaciona com o IA. Quando as pessoas se tornam conscientes de inconsistências, elas experimentam desconforto ou dissonância, o que leva a esforços para reduzir essas experiências e recuperar a consistência através da adaptação de suas atitudes, percepções ou comportamentos até que tais inconsistências sejam resolvidas (de Vries e Timmins, 2016). De acordo com essa teoria, quando as pessoas se comportam de maneira inconsistente com seus valores, por exemplo, quando se entregam à Internet quando já afetaram negativamente sua vida, elas experimentam dissonância na forma de arrependimento; isso ocorre com sentimentos de responsabilidade pessoal pelas consequências negativas de seus comportamentos. A maioria das pessoas consegue ajustar com sucesso seu comportamento para reduzir essa dissonância. No entanto, algumas pessoas podem reduzir a dissonância mudando sua atitude em relação à Internet, reduzindo assim sua dissonância e mantendo comportamentos problemáticos. Chiou e Wan (2007) investigou este processo com uma amostra de jogadores de videogame. Os resultados revelaram que os jogadores que se sentem responsáveis por seu comportamento são mais propensos a mudar suas atitudes em relação aos videogames de positivo para negativo, enquanto os jogadores com maior investimento em jogos de videogame têm menor probabilidade de se engajar em comportamento discrepante de atitude.
Pesquisa sobre IA entre estudantes universitários
Diversos estudos sugeriram que os adolescentes constituem a maioria dos usuários da Internet e que os estudantes universitários são particularmente vulneráveis à IA, devido ao fácil acesso à Internet, horários flexíveis e menor capacidade de controlar seu comportamento (Shaw e preto, 2008; Fu et al., 2010; Georgios et al., 2014; Yang et al., 2014). Além disso, o início da vida universitária é um período de desenvolvimento para os alunos durante a transição, longe de uma confiança relativamente alta nos relacionamentos interpessoais (não apenas nos relacionamentos familiares, mas também nos pares e outras relações sociais; Woodhouse e outros, 2012). Estudos anteriores relataram que o uso descontrolado da Internet está intimamente relacionado a um declínio na comunicação e supervisão da família (Van den Eijnden e outros, 2010; Liu et al., 2012). Assim, a mudança nas relações interpessoais tende a colocar os calouros da faculdade em risco de desenvolver IA (Zhang et al., 2014).
Além disso, os calouros precisam passar por uma série de exames rigorosos para ingressar na faculdade na China e, normalmente, não têm tempo suficiente para a autorreflexão durante o ensino médio. Assim, quando confrontados com a vida universitária, sua falta de estudo e habilidades interpessoais podem levá-los a se sentirem confusos (Ni et al., 2009). Além disso, devido ao tempo de lazer abundante e acesso ilimitado à Internet por meio de uma variedade de ferramentas sem fio, os calouros universitários tendem a gastar muito tempo on-line e, portanto, têm grande probabilidade de apresentar sintomas de AI nesse período único (Chen, 2012). Para fornecer estratégias preventivas e interventivas para AI, um estudo longitudinal de curto prazo foi realizado durante um primeiro semestre na faculdade.
O presente estudo
Embora muitos pesquisadores tenham investigado a relação entre IA e NMC, a maioria adotou uma abordagem transversal; assim, identificar uma relação recíproca entre essas duas variáveis é difícil (Joseph et al., 2016). Além disso, embora a probabilidade de os alunos desenvolverem IA seja substancialmente maior no início da faculdade (Li e Liang, 2007; Ni et al., 2009), os participantes de estudos anteriores eram tipicamente universitários de todas as idades, com os alunos no primeiro semestre envolvidos com menos frequência. Portanto, o presente estudo adotou uma análise cruzada para explorar a relação entre IA e NMC entre estudantes universitários durante o primeiro semestre de sua vida universitária. De acordo com estudos teóricos e empíricos anteriores, pode existir uma relação recíproca entre essas duas variáveis. Portanto, propusemos um modelo de interação (Figura 2e testaram três hipóteses sobre a relação entre essas duas variáveis.
FIGURA 2. Modelo hipotético.
H1. Caminhos positivos e significativos de desfasamento cruzado existem de IA a NMC, e o NMC é um preditor efetivo de IA entre calouros chineses.
H2. Os caminhos de desfasamento cruzado de IA para NMC atingem um nível significativo, e o nível de IA conseqüentemente afeta negativamente o NMC.
H3. A relação entre IA e NMC pode ser geralmente aplicada entre machos e fêmeas.
Materiais e Métodos
Participantes
O número inicial de calouros da faculdade disponíveis para participação foi de participantes da 300, todos os quais estavam matriculados em duas faculdades localizadas em duas cidades (nomeadamente Jinan e Heze) na província de Shandong, na China. As coletas de dados foram realizadas no início de setembro de 2015 (T1), 2 meses depois (T2) e 4 meses depois (T3). Na primeira onda de coleta de dados, todos esses alunos da 300 completaram a medição. No entanto, nas ondas subsequentes, 87 desses alunos 300 retirou-se no meio do caminho. A falta de participação foi devido a ausência ou doença (taxa de participação: 71.00%). Portanto, os alunos da 213 permaneceram para a análise final dos dados (104 machos e 109 fêmeas), com idades variando de 17 a 21 anos (M = 18.87 anos, SD = 0.76 anos). A fim de determinar se os dados dos alunos que se retiraram no meio do caminho (87 alunos) diferiram daqueles que não retiraram (213 alunos) em relação a qualquer uma das variáveis incluídas neste estudo, uma série de tos testes foram realizados utilizando os dados coletados na primeira onda de coleta de dados; Nenhuma dessas análises foi significativa. Todos esses participantes tinham experiência na Internet e foram incluídos neste estudo. Os participantes utilizaram a Internet durante uma média de 5.59 anos (SD = 2.06) no início de sua vida universitária. As informações foram coletadas na residência registrada dos estudantes: 43.19% morava em grandes cidades, 35.68% morava em cidades e 21.13% vivia em aldeias. Além disso, um arquivo foi estabelecido para cada aluno (esses arquivos incluíam suas informações básicas, bem como o estado de saúde física e mental) quando eles entravam no colégio. De acordo com os arquivos, nenhum dos participantes tem distúrbios psiquiátricos ou neurológicos. Este estudo foi realizado de acordo com as recomendações das diretrizes éticas da Universidade Normal de Shandong e a Declaração de Helsinque, com consentimento informado por escrito de todos os participantes. O protocolo foi aprovado pelo Comitê de Ética em Pesquisa com Seres Humanos da Universidade Normal de Shandong.
Instrumentos
Vício em internet
O estudo atual adotou a escala revisada chinesa do addiction do Internet (CIAS-R; Bai e Fan, 2005). O CIAS-R contém itens 19 que podem ser divididos em quatro fatores: uso compulsivo e retirada (por exemplo, “eu me sinto deprimido durante um período de tempo sem acesso à Internet”), tolerância (por exemplo, “eu tenho que gastar quantidades crescentes” de tempo online para se sentir satisfeito), problemas de gerenciamento de tempo (por exemplo, “meu desempenho acadêmico ou de trabalho sofre efeitos adversos devido ao meu uso da Internet”) e problemas interpessoais e de saúde (por exemplo, “reduzo meu tempo de sono para ter mais tempo conectados"). Cada resposta foi medida numa escala do tipo Likert de ponto 4 com pontuações que variam de 1 (não é de todo verdade) para 4 (sempre verdade). Portanto, escores médios mais altos representam níveis mais altos de IA. A escala foi aplicada em estudos recentes em estudantes universitários chineses e demonstrou alta confiabilidade e validade (Tian et al., 2015). No presente estudo, os coeficientes alfa para a escala foram 0.92 em T1, 0.95 em T2 e 0.91 em T3.
Cognição Mal-adaptativa Relacionada à Rede
Este estudo adotou a Escala de Cognição Mal-adaptativa relacionada à rede revisada por Liang; a escala original foi a Online Cognition Scale, desenvolvida com base no modelo cognitivo-comportamental proposto por Davis (Tian et al., 2015). A escala revisada contém itens 14 que podem ser divididos em três fatores: Conforto na Internet (por exemplo, “Eu recebo mais respeito online do que na 'vida real')”, controle de impulso diminuído (por exemplo, “Quando estou na Internet, sinta uma espécie de 'pressa' ou alta emocional '), e distração (por exemplo, “Usar a Internet é uma maneira de esquecer as coisas que devo fazer, mas realmente não quero fazer”). Os participantes classificaram o quão verdadeira cada afirmação estava em uma escala do tipo Likert de ponto 5, com pontuações variando de 1 (não é de todo verdade) para 5 (sempre verdade). Portanto, escores médios mais altos representam níveis mais altos de NMC com relação ao uso da Internet. A escala foi aplicada em estudos anteriores em estudantes universitários chineses (Tian et al., 2015, 2017). No estudo atual, os coeficientes alfa para a escala foram 0.87 em T1, 0.90 em T2 e 0.90 em T3.
Análise Estatística
Neste estudo, empregamos um projeto de painel totalmente cruzado para examinar as relações unidirecionais e bidirecionais entre IA e NMC em universitários chineses (Van Lier e outros, 2012). O modelo geral consistiu em medidas de IA e NMC em T1, T2 e T3. Propusemos e testamos quatro modelos representando os possíveis mecanismos entre as duas variáveis. Primeiro, propusemos um “modelo de estabilidade” (Model 1, Figura 3) que incluía apenas efeitos de estabilidade em tempo cruzado. Em segundo lugar, um modelo cognitivo-comportamental (Modelo 2, Figura 3) foi proposto para examinar se o NMC em um momento poderia prever IA no seguinte ponto de tempo. Em terceiro lugar, propusemos um “modelo comportamental-cognitivo” (Modelo 3, Figura 3) para examinar se o IA em um ponto do tempo poderia prever o NMC no seguinte ponto de tempo. Por fim, propusemos um “modelo de causalidade recíproca” (Modelo 4, Figura 3) que explorou a influência recíproca entre IA e NMC. Além disso, foi realizada uma análise multivariada de defasagem cruzada com base no gênero para examinar se a relação entre as duas variáveis-chave diferia entre homens e mulheres.
FIGURA 3. Resultados da análise de desfasamentos cruzados. Linhas com uma única seta representam coeficientes de caminho e linhas com setas duplas representam covariâncias. Linhas tracejadas indicam coeficientes não significativos e linhas sólidas indicam coeficientes significativos. ∗∗∗indicar coeficiente é significativo no nível 0.001, ∗∗indicar que o coeficiente é significativo no nível 0.01 e *indica que o coeficiente é significativo no nível 0.05.
Modelagem de equações estruturais com variáveis latentes foi empregada para testar o modelo hipotético neste estudo. De acordo com a recomendação do Holbert e Stephenson (2002), a qualidade do ajuste do modelo foi avaliada usando uma variedade de índices. O χ2 estimativa com graus de liberdade ainda é o meio mais comumente usado para realizar comparações entre diferentes modelos. A relação entre χ2 e graus de liberdade não devem exceder 5 para modelos com um bom ajuste. Além disso, reportamos o índice de ajuste comparativo (CFI) juntamente com o índice de Tucker-Lewis (TLI) e o erro quadrático médio de aproximação (RMSEA). Em geral, os valores de CFI e TLI de 0.95 ou superior refletem bom ajuste e os valores de RMSEA inferiores a 0.06 indicam excelente ajuste, enquanto valores entre 0.06 e 0.08 indicam bom ajuste (Yuan et al., 2014). Além disso, o χ2 teste de diferença (Δχ2) foi utilizado para comparar o ajuste dos modelos aninhados. Um Δχ não significativo2 teste indica que os dois modelos fornecem um ajuste igual aos dados, enquanto que um Δχ significativo2 sugere que o modelo menos restrito seja mantido (Tian et al., 2017).
Resultados
Análise descritiva
As médias e desvios-padrão das principais variáveis deste estudo são apresentadas na Tabela 1. Medidas repetidas ANOVA foi conduzida para explorar as influências de gênero e tempo de medição na IA e NMC dos participantes (“gênero” é uma variável entre os sujeitos, e “tempo de medição” é uma variável dentro dos sujeitos). Os resultados revelaram que não houve diferença significativa entre os gêneros em termos das duas variáveis dependentes (F = 0.10, p = 0.749; F = 0.02, p = 0.822). Com o tempo, o nível de IA aumentou significativamente de T1 para T3 entre os calouros da faculdade (F = 28.71, p <0.001). Os resultados de um post hoc teste indicou que o nível de IA medido em T3 foi significativamente maior do que aquele em T2 (p <0.01) e T1 (p <0.001), e que o nível de IA medido em T2 foi significativamente maior do que em T1 (p <0.001). Além disso, diferenças marginais significativas existiam no NMC quando medido em momentos diferentes (F = 2.93, p = 0.055). Os resultados do post hoc O teste revelou que o nível de IA medido na T3 foi significativamente maior do que o da T1 (p <0.05), e que diferenças marginais significativas existiam no NMC quando medido em T1 e T2 (p = 0.065). No entanto, não houve diferença significativa no NMC quando medido em T2 e T3 (p = 0.846). A interação entre gênero e tempo de mensuração nas duas variáveis não atingiu níveis significativos (F = 0.38, p = 0.682; F = 0.24, p = 0.791).
TABELA 1. Estatística descritiva de IA e NMC (n = 213).
Como mostrado na tabela 2, as correlações bivariadas entre IA e NMC em T1, T2 e T3, bem como todas as correlações cruzadas entre as duas variáveis, foram significativas e positivas, sugerindo uma relação positiva entre IA e NMC.
TABELA 2. Correlações entre IA e NMC (n = 213).
Relacionamentos interdependentes entre IA e NMC
Uma série de modelos de defasagem cruzada foi especificada para examinar as relações recíprocas entre IA e NMC. Primeiro, um modelo de linha de base (Modelo 1, Figura 3) foi especificado; Neste modelo, os coeficientes de estabilidade para IA e NMC foram estimados, mas os efeitos cruzados entre as duas variáveis não foram estimados. O ajuste do modelo foi aceitável (Tabela 3). Segundo, para testar o modelo cognitivo-comportamental apresentado anteriormente, os caminhos cruzados do NMC para o IA foram adicionados ao modelo de linha de base (Modelo 2, Figura 3), que melhorou significativamente o ajuste do modelo (Tabela 3). O χ2 teste de diferença revelou que o Model 2 demonstrou um melhor ajuste aos dados do que o Model 1 (Δχ2 = 27.05, Δdf = 2, Δχ2/ Δdf = 13.53> 6.63) (Wen et al., 2006). De acordo com o Modelo 2, os coeficientes de caminho padronizados eram 0.10 (p = 0.309) para NMC medido em T1 para IA medido em T2 e 0.36 (p <0.001) para NMC medido em T2 a IA medido em T3. Terceiro, para examinar se IA em um ponto de tempo poderia prever NMC no ponto de tempo seguinte, os caminhos de atraso cruzado de IA para NMC foram adicionados ao modelo de linha de base (Modelo 3, Figura 3). O resultado mostrou que um bom ajuste do modelo foi alcançado (Tabela 3). O χ2 O teste de diferença demonstrou que o Model 3 demonstrou um ajuste superior aos dados do que o Model 1 (Δχ2 = 47.20, Δdf = 2, Δχ2/ Δdf = 23.60> 6.63). De acordo com o Modelo 3, os coeficientes de caminho padronizados foram de 0.44 (p <0.001) para IA medido em T1 para NMC medido em T2, e 0.50 (p <0.001) para IA medido em T2 para NMC medido em T3. Isso indica que IA em um ponto de tempo foi um preditor eficaz de NMC no ponto de tempo seguinte e que a adição dos dois caminhos ao modelo poderia melhorar o ajuste do modelo significativamente. Em quarto lugar, o Modelo 4 foi especificado com ambos os coeficientes de estabilidade e o efeito cross-lag entre IA e NMC (Modelo 4, Figura 3). O modelo ajusta os dados suficientemente (Tabela 3). No entanto, os modelos 3 e 4 são aninhados e o χ2 teste de diferença indicou que os dois modelos tiveram bom desempenho (Δχ2 = 11.69, Δdf = 2, Δχ2/ Δdf = 5.85 <6.63). Finalmente, conforme mostrado no Modelo 4, exceto para os coeficientes de caminho padronizados para NMC medidos em T1 a IA medidos em T2, o resto dos caminhos cross-lagged entre IA e NMC atingiram um nível significativo. Portanto, excluímos este caminho e desenvolvemos o Modelo 5. O modelo se ajustou aos dados suficientemente (Tabela 3). Consequentemente, o Modelo 5 foi mantido como o modelo final de análise devido às seguintes razões: (1) Embora os dois modelos tenham funcionado igualmente bem (Δχ2 = 0.21, Δdf = 1, Δχ2/ Δdf = 0.21 <6.63), o Modelo 5 é mais simples e parcimonioso do que o Modelo 4, e menos parâmetros devem ser selecionados para análise. (2) O χ2 O teste de diferença mostrou que o Model 5 demonstrou um melhor ajuste aos dados do que o Model 3 (Δχ2 = 11.48, Δdf = 1, Δχ2/ Δdf = 11.48> 6.63), e o coeficiente de caminho padronizado foi 0.25 (p <0.001) para NMC medido em T2 a IA medido em T3. Ou seja, existe uma forte possibilidade de que o NMC medido em T2 possa prever IA medida em T3.
TABELA 3. Comparações entre diferentes modelos.
Diferenças de género
Para investigar se as relações cruzadas entre IA e NMC diferem entre machos e fêmeas, realizamos uma análise multigrupo. Primeiro, estimamos o modelo adequado para homens (Mmasculina) e fêmeas (Mfeminina) separadamente, e os índices de ajuste foram adequados para ambas as subamostras 4). A invariância de medida foi então testada para determinar se ambas as variáveis foram medidas de forma idêntica para machos e fêmeas. No modelo de medição totalmente sem restrições (M1), todos os parâmetros foram autorizados a variar entre os dois grupos. Um ajuste de modelo aceitável foi alcançado e um modelo de medição totalmente restrito (M2) foi então analisado em que todos os parâmetros foram fixados identicamente para os dois grupos; o modelo ajusta os dados suficientemente (Tabela 4). O χ2 teste de diferença indicou que os dois modelos tiveram bom desempenho (Δχ2 = 6.50, Δdf = 15, p = 0.970).
TABELA 4. Análise multigrupos em machos e fêmeas.
Para abordar o objetivo de pesquisa desta parte do estudo, realizamos uma análise multivariada de acordo com o gênero dos estudantes universitários. Três parâmetros foram testados para examinar se diferiam entre os sexos: coeficientes de estabilidade, coeficientes de trajetória de desfasagem cruzada e covariâncias entre IA e NMC. Um modelo restrito (M3) foi especificado em que todos os três parâmetros eram idênticos entre os dois grupos; este modelo conseguiu um ajuste satisfatório do modelo (Tabela 4). O χ2 teste de diferença indicou que este modelo se ajusta aos dados de forma tão adequada quanto o modelo totalmente irrestrito (Δχ2 = 1.78, Δdf = 7, p = 0.996), indicando que o padrão geral de caminhos era invariável entre machos e fêmeas.
Discussão
Este estudo envolveu a realização de uma pesquisa de painel com defasagem cruzada para explorar a relação recíproca entre IA e NMC entre calouros chineses universitários. De acordo com o modelo cognitivo-comportamental (Davis, 2001), pode existir uma relação recíproca entre as duas variáveis, e o NMC é um preditor provável de IA. No entanto, essa hipótese não foi totalmente suportada. Durante os primeiros meses 2 do estudo, não observamos nenhum efeito preditivo de NMC em IA; isto não é consistente com os resultados de um estudo anterior (Tian et al., 2015). Especificamente, o NMC parece não ser a condição essencial para a geração de IA. Esse resultado provavelmente está relacionado aos participantes do estudo atual. Neste estudo, os participantes da pesquisa foram calouros universitários chineses que recentemente completaram um exame de admissão rigoroso, ou seja, "Gaokao". Para obter admissão à faculdade, os alunos devem exercer um grande esforço ao longo de sua educação primária e secundária; conseqüentemente, poucos deles têm tempo suficiente para usar a Internet (Li e Liang, 2007). Portanto, o nível de CMN foi menor quando os participantes se matricularam na faculdade, o que pode ter impedido uma influência significativa na geração de AI. Durante o período da faculdade, vários outros fatores podem fazer com que as pessoas se tornem dependentes da Internet. Por exemplo, o anonimato e a ausência de pistas não-verbais e demográficas fornecidas pela Internet podem ser benéficas para o bem-estar dos alunos, oferecendo alívio do sofrimento emocional (Caplan e Turner, 2007) e melhorar as percepções de apoio social e auto-estima (Kraut et al., 2002), além de ampliar o leque de relações interpessoais (Coton, 2008). Além disso, traços de personalidade podem desempenhar um papel crítico na geração de IA durante esse período (Mike et al., 2014). Por exemplo, pessoas com grande capacidade de controle de esforço foram mais eficazes em suprimir atos impulsivos quando tentadas com a Internet, como mencionado anteriormente. Por outro lado, pessoas com altos níveis de busca de sensações eram mais propensas a desenvolver comportamentos de dependência (Zhang et al., 2015). No entanto, o estresse acadêmico de calouros chineses diminuiu significativamente após a entrada na faculdade, e eles tiveram mais tempo para usar a Internet (Li e Liang, 2007). Assim, eles podem ter gradualmente desenvolvido várias respostas cognitivas para a Internet através de suas próprias experiências ou experiências envolvendo troca de pares, o que conseqüentemente afetou seu nível de IA (Wang et al., 2015).
De acordo com o modelo cognitivo-comportamental (Davis, 2001), IA poderia ter um impacto negativo no NMC (Caplan, 2010). No entanto, poucos estudos empíricos foram realizados para testar essa hipótese, e poucos pesquisadores propuseram teorias para explicar esse fenômeno. No entanto, as evidências empíricas do presente estudo sugerem que a IA teve prioridade preditiva em sua relação com o NMC, o que pode afetar tanto a geração quanto o desenvolvimento do NMC. Alguns pesquisadores exploraram comportamentos de jogos online em adolescentes chineses. Eles relataram que os comportamentos de jogos online poderiam afetar significativamente a cognição em relação aos jogos online porque a mudança de cognições relativas a jogos online era um método eficiente para aliviar o desconforto causado pelas inconsistências entre comportamento e pensamento (Wang et al., 2015). Portanto, aplicamos a teoria da dissonância cognitiva como um modelo explicativo para discutir o mecanismo do efeito preditivo do IA no NMC (Cooper, 2007). Segundo essa teoria, quando as pessoas se tornam conscientes de inconsistências, elas experimentam desconforto ou dissonância, o que leva a esforços para reduzir essa experiência e recuperar a consistência adaptando suas atitudes, percepções ou comportamentos até que tais inconsistências sejam resolvidas (de Vries e Timmins, 2016). A maioria das pessoas pode ajustar com sucesso seu comportamento para reduzir essa dissonância. No entanto, algumas pessoas tendem a justificar comportamentos que parecem reduzir a dissonância, usando razões como “posso receber mais respeito online do que na vida real”, “sinto-me mais seguro quando estou na Internet” ou “usar a Internet é um maneira de esquecer as coisas que devo fazer, mas não quero fazer. ”Quando as pessoas se convenceram de que ser viciado na Internet é razoável, a dissonância é reduzida e elas se sentem melhor. No entanto, o método eficaz para reduzir o desconforto de dissonância tende a ser repetido quando ocorre outra violação idêntica, o que é problemático (de Vries e Timmins, 2016). Ou seja, quando esses NMCs foram estabelecidos pelos estudantes, o uso excessivo da Internet subsequente não produz o mesmo nível de desconforto, o que aumenta ainda mais o uso excessivo da Internet. Em resumo, a geração e o desenvolvimento de IA são causados por um ciclo vicioso envolvendo NMC e uso excessivo da Internet, e a IA tem a prioridade preditiva em sua relação com o NMC.
Os resultados indicam que não há diferenças significativas nas principais variáveis entre homens e mulheres. Isto é inconsistente com os resultados de muitos outros estudos (Müller et al., 2014). Isso se deve, possivelmente, ao rápido desenvolvimento das tecnologias de computação e de rede, que mudaram consideravelmente os equipamentos terminais da rede, bem como suas aplicações (Daniel et al., 2012; Mike e Zhong, 2014). Por exemplo, na sociedade contemporânea, os telefones celulares tornaram-se gradualmente o principal meio de acesso à Internet, e uma variedade de atividades, como compras e navegação, podem ser realizadas com elas. Tanto homens como mulheres desfrutam da maioria dessas atividades (San, 2015). Além disso, os resultados da análise multigroup-cross-lagged revelam que os caminhos encontrados entre IA e NMC foram os mesmos para homens e mulheres. Ou seja, os processos conducentes à IA podem ser idênticos para ambos os sexos, e o modelo final estabelecido no presente estudo, portanto, possui extensa aplicabilidade e significado prático para calouros universitários chineses.
Para identificar ainda mais o mecanismo gerativo e de desenvolvimento da IA, propusemos um modelo teórico baseado nos resultados encontrados neste estudo, bem como no modelo cognitivo-comportamental proposto por Davis (Figura 4). De acordo com este modelo, a geração e desenvolvimento de IA é resultado de um ciclo vicioso envolvendo IA e NMC, e este ciclo é induzido principalmente pelo desconforto causado pelas inconsistências entre comportamento e pensamento (de Vries e Timmins, 2016). Como este ciclo começa principalmente com o uso excessivo da Internet, é necessário mitigar esse ciclo vicioso no início do semestre por meio de vários métodos. No entanto, por causa do poderoso apelo da Internet para os jovens, é difícil evitar completamente a AI entre os calouros da faculdade. Segundo a teoria da dissonância cognitiva, quando alguns deles se tornam dependentes da Internet, existem dois métodos para reduzir o desconforto causado pelas inconsistências entre comportamento e pensamento. O primeiro método envolve a mudança de comportamento online, e o segundo método envolve o ajuste de cognições para desenvolver justificativas para o comportamento aditivo. O segundo método é evidentemente preferido. Portanto, este modelo pode fornecer apoio teórico para os planos de prevenção e remediação para IA entre estudantes chineses no início de seus anos de faculdade.
FIGURA 4. Modelo teórico do presente estudo.
Limitações e direções futuras
Várias limitações deste estudo são dignas de nota. Em primeiro lugar, embora tenhamos proposto um modelo teórico em relação à geração e desenvolvimento de IA, este modelo não foi totalmente validado no presente estudo, e nos concentramos apenas na relação recíproca entre IA e NMC. Assim, pesquisas empíricas adicionais devem ser conduzidas para verificar este modelo. Além disso, esse modelo teórico pode não ter abordado a influência de vários outros fatores, como a emoção e o ambiente externo. Portanto, modelos teóricos mais sofisticados devem ser desenvolvidos para abordar essa questão. Em segundo lugar, para explorar a relação recíproca entre IA e NMC, este estudo conduziu três pesquisas, de setembro 2015 até janeiro 2016. No entanto, o período de tempo dos três inquéritos pode ter sido muito curto para detectar uma mudança estável no IA ao longo do tempo. A tendência de desenvolvimento pode ser distinta em períodos subsequentes durante a vida universitária dos alunos. Assim, é necessária uma exploração mais aprofundada desta questão nos anos restantes do seu tempo de faculdade. Finalmente, o uso de uma amostra conveniente de calouros da faculdade neste estudo foi necessário por causa de restrições envolvendo finanças e recursos humanos. Esta amostra envolveu apenas participantes da 213, todos vindos da universidade na província de Shandong, na China. As diferenças econômicas e culturais entre as províncias podem afetar as relações entre as duas variáveis-chave que envolvem calouros universitários. Portanto, o estudo deve ser replicado com uma amostra maior envolvendo diferentes regiões da China.
Contribuições do autor
PH contribuiu para a concepção inicial da ideia e a redação do manuscrito. PW e FG contribuíram para as revisões críticas. QL e YT ajudaram a completar a coleta e análise de dados. Todos os autores aprovaram a versão final do manuscrito para publicação.
Métodos
Esta pesquisa foi apoiada pelo Programa de Pesquisa Científica Humanidades-Sociedade da Província de Shandong (J16YG21), o Programa Científico de Arte da Província de Shandong (ZX2015021) e o Programa de Pesquisa Científica Humanidades-Sociedade da Universidade Heze (XY16SK09).
Declaração de conflito de interesse
Os autores declaram que a pesquisa foi realizada na ausência de quaisquer relações comerciais ou financeiras que possam ser interpretadas como um potencial conflito de interesses.
Referências
Ahmadi, K. e Saghafi, A. (2013). Perfil psicossocial do vício em internet de adolescentes iranianos. Cyberpsicol Behav. Soc. Rede. 16, 543 – 548. doi: 10.1089 / cyber.2012.0237
Ayas, T. e Horzum, MB (2013). Relação entre depressão, solidão, autoestima e vício em internet. Educação 133, 183-190.
Bai, Y. e Fan, FM (2005). Um estudo sobre a dependência da internet de estudantes universitários: a revisão e aplicação de uma medida. 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). Efeito do uso da internet e dos recursos sociais nas mudanças na depressão. Informar. Comum. Soc. 11, 47 – 70. doi: 10.1080 / 13691180701858851
Caplan, S. (2010). Teoria e mensuração do uso problemático generalizado da internet: uma abordagem em duas etapas. Comput. Cantarolar. Behav. 26, 1089 – 1097. doi: 10.1016 / j.chd.2010.03.012
Caplan, SE e Turner, JS (2007). Trazendo a teoria para a pesquisa em comunicação reconfortante mediada por computador. Comput. Cantarolar. Behav. 23, 985 – 998. doi: 10.1016 / j.chb.2005.08.003
Chen, SK (2012). Uso da Internet e bem-estar psicológico entre estudantes universitários: uma abordagem de perfil latente. Comput. Cantarolar. Behav. 28, 2219 – 2226. doi: 10.1016 / j.chb.2012.06.029
Chiou, WB e Wan, CS (2007). Usando dissonância cognitiva para induzir os adolescentes a fugir da garra dos jogos on-line: os papéis da responsabilidade pessoal e a justificativa do custo. CyberPsychol. Behav. 10, 663 – 670. doi: 10.1089 / cpb.2007.9972
Chuang, C. (2006). Massively-multiplayer online role-playing game-convulsionado apreensões: um problema de saúde negligenciado no vício em internet. Cyberpsicol Behav. 9, 451 – 456. doi: 10.1089 / cpb.2006.9.451
Cooper, J. (2007). Dissonância cognitiva: 50 anos de uma teoria clássica. Londres: sábio.
Cotten, SR (2008) O uso de tecnologia pelos estudantes e os impactos no bem-estar. New Dir. Viga. Serv 124, 55 – 70. doi: 10.1002 / ss.295
Daniel, LK, Paul, HD, Mark, DG e Michael, G. (2012). Abordagens cognitivo-comportamentais para o tratamento do vício em internet em crianças e adolescentes. J. Clin. Psychol. 68, 1185 – 1195. doi: 10.1002 / jclp.21918
Davis, RA (2001). Um modelo comportamental cognitivo do uso patológico da internet. Comput. Cantarolar. Behav. 17, 187–195. doi: 10.1016/S0747-5632(00)00041-8
de Vries, J. e Timmins, F. (2016). Erosão do cuidado em hospitais: problemas na prática de enfermagem reflexiva e o papel da dissonância cognitiva. Enfermeira Educ. Hoje 38, 5 – 8. doi: 10.1016 / j.nedt.2015.12.007
Festinger, L. (1957). Uma teoria de dissonância cognitiva. Evanston, IL: Row, Peterson.
Forrest, CJ, King, DL e Delfabbro, PH (2016). A medição de cognições desadaptativas subjacentes a jogos problemáticos de videogame entre adultos. Comput. Cantarolar. Behav. 55, 399 – 405. doi: 10.1016 / j.chb.2015.09.017
Forrest, CJ, King, DL e Delfabbro, PH (2017). Cognições desadaptativas predizem mudanças em jogos problemáticos em adultos altamente engajados: um estudo longitudinal de meses 12. Viciado. Behav. 65, 125 – 130. doi: 10.1016 / j.addbeh.2016.10.013
Fu, KW, Chan, WS, Wong, PW e Yip, PS (2010). Dependência da Internet: prevalência, validade discriminante e correlatos entre adolescentes em Hong Kong. Fr. J. Psiquiatria 196, 486 – 492. doi: 10.1192 / bjp.bp.109.075002
Georgios, F., Konstantinos, S., Ariadni, S., Loannis, G. e Georgios, G. (2014). A relação entre personalidade, estilos de defesa, transtorno de dependência de internet e psicopatologia em estudantes universitários. Cyberpsicol Behav. Soc. Netw. 17, 6722 – 6676. doi: 10.1089 / cyber.2014.0182
Holbert, RL e Stephenson, MT (2002). Modelagem de equações estruturais nas ciências da comunicação, 1995-2000. Cantarolar. Comum. Res. 28, 531–551. doi: 10.1111/j.1468-2958.2002.tb00822.x
Joseph, CP, Phillip, P., Baljinder, S., Sarah, M., Chris, J., Andrew, TG, et al. (2016) O desenvolvimento do uso compulsivo da internet e da saúde mental: um estudo de quatro anos sobre a adolescência. Dev. Psychol. 52, 272 – 283. doi: 10.1037 / dev0000070
Kalkan, M. (2012). Produtividade de distorções cognitivas interpessoais no uso problemático da internet por estudantes universitários. Criança. Juventude Serv. Rev. 34, 1305 – 1308. doi: 10.1016 / j.childyouth.2012.03.003
Kim, EJ, Namkoong, K., Ku, T. e Kim, SJ (2008). A relação entre vício em jogos online e agressividade, autocontrole e traços de personalidade narcisista. EUR. Psiquiatria 23, 212 – 218. doi: 10.1016 / j.eurpsy.2007.10.010
King, DL e Delfabbro, PH (2014). A psicologia cognitiva do distúrbio de jogos na Internet. Clin. Psychol. Rev. 34, 298 – 308. doi: 10.1016 / j.cpr.2014.03.006
King, DL e Delfabbro, PH (2016). A psicopatologia cognitiva do transtorno do jogo na internet na adolescência. J. Abnormal Child Psychol. 44, 1635–1645. doi: 10.1007/s10802-016-0135-y
Kraut, R., Kiesler, S., Boneva, B., Cummings, J., Helgeson, V. e Crawford, A. (2002). Paradoxo da Internet revisitado. J. Soc. Problemas 58, 49 – 74. doi: 10.1111 / 1540-4560.00248
Li, DL, Zhang, W., Wang, YH e Li, DP (2013). Controle psicológico materno e uso problemático dos adolescentes na internet: o papel mediador da cognição desadaptativa. Psychol. Sci. 36, 411-416.
Li, H. e Wang, S. (2013). O papel da distorção cognitiva na dependência de jogos online entre adolescentes chineses. Criança. Juventude Serv. Rev. 35, 1468 – 1475. doi: 10.1016 / j.childyouth.2013.05.021
Li, N. e Liang, NJ (2007). Um estudo sobre a fundamentação cognitiva do transtorno de dependência de internet de universitários. 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, e outros. (2014) Ativação cerebral para inibição de resposta sob distração de jogo em distúrbio de jogo na 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). Comunicação entre pais e filhos, uso de internet pelos pais e normas específicas para internet e uso patológico da internet entre adolescentes chineses. Comput. Cantarolar. Behav. 28, 1269 – 1275. doi: 10.1016 / j.chb.2012.02.010
Lu, X. e Yeo, KJ (2015). Uso patológico da internet entre estudantes universitários da Malásia: fatores de risco e o papel da distorção cognitiva. Comput. Cantarolar. 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). Estrutura e função de cognições desadaptativas no uso patológico da internet entre adolescentes chineses. Comput. Cantarolar. Behav. 28, 2376 – 2386. doi: 10.1016 / j.chb.2012.07.009
Mike, ZY, Ele, J., Deborah, MK e Pang, KC (2014). A influência de comportamentos de personalidade e auto-estima na dependência de internet: um estudo de estudantes universitários chineses. Cyberpsicol Behav. Soc. Rede. 17, 104 – 110. doi: 10.1089 / cyber.2012.0710
Mike, ZY e Zhong, ZJ (2014). Solidão, contatos sociais e vício em internet: um estudo em painel de tipo cruzado. Comput. Cantarolar. Behav. 30, 164 – 170. doi: 10.1016 / j.chb.2013.08.007
Müller, KW, Glaesmer, H., Brähler, E., Woelfling, K. e Beutel, ME (2014). Prevalência do vício em internet na população em geral: resultados de um levantamento populacional alemão. Behav. Informar. Technol. 33, 757 – 766. doi: 10.1080 / 0144929X.2013.810778
Ni, XL, Yan, H., Chen, SL e Liu, ZG (2009). Fatores que influenciam o vício em internet em uma amostra de estudantes universitários calouros na China. Rapid Commun. 12, 327 – 330. doi: 10.1089 / cpb.2008.0321
Peng, W. e Liu, M. (2010). Dependência de jogos on-line: um estudo preliminar na China. Cyberpsicol Behav. Soc. Rede. 13, 329 – 333. doi: 10.1089 / cyber.2009.0082
San, C. (2015). A CNNIC publicou o trigésimo quinto relatório de estatísticas de desenvolvimento da China. Dis. Educ. China 4, 99 – 104. doi: 10.13541 / j.cnki.chinade.2015.02.006
Shaw, M. e Black, DW (2008). Dependência da Internet: definição, avaliação, epidemiologia e gestão clínica. Drogas do SNC 22, 353–365. doi: 10.2165/00023210-200822050-00001
Shek, DTL, Sun, RCF e Yu, L. (2013). "Internet addiction", em Neurociência no século 21st: do básico ao clínicoed. DW Pfaff (Nova Iorque, 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). Associações entre fatores psicossociais e uso patológico generalizado da internet em universitários chineses: uma análise longitudinal cruzada. Comput. Cantarolar. Behav. 72, 178 – 188. doi: 10.1016 / j.chb.2017.02.048
Tian, Y., Bian, YL, Han, PG, Wang, P. e Gao, FQ (2015). O efeito da timidez na dependência da internet: os efeitos mediadores da tendência de imersão e da cognição desadaptativa relacionada à rede. Queixo. J. Spec. Educ. 12, 83 – 89. doi: 10.3969 / j.issn.1007-3728.2015.12.014
Tokunaga, RS e Rains, SA (2010). Uma avaliação de duas caracterizações das relações entre uso problemático da internet, tempo gasto usando a internet e problemas psicossociais. Cantarolar. Comum. 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, e outros. (2009) O fator de risco do vício em internet - um levantamento de universitários. Psiquiatria Res. 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 da internet entre adolescentes: relações bidirecionais entre pais e filhos. J. Abnorm. Psychol infantil. 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). A vitimização entre pares, o fraco desempenho acadêmico e a ligação entre os problemas de externalização e internalização da infância. Criança 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 ai. (2015) Relacionamentos de proporção de jogadores, cognição mal-adaptativa e vício em jogos online. Queixo. J. Clin. Psychol. 23, 487 – 493. doi: 10.16128 / j.cnki.1005-3611.2015.03.023
Wen, ZL, Chang, L. e Hou, JT (2006). Mediador moderado e mediador moderado. Acta Psychol. Pecado. 38, 448-452.
Woodhouse, SS, Dykas, MJ e Jude, C. (2012). Solidão e relações de pares na adolescência. Rev. Soc. Dev. 21, 273 – 293. doi: 10.1111 / j.1467-9507.2011.00611.x
Yang, LS, Sol, L., Zhang, ZH, Sol, YH, Wu, HY e Ye, DQ (2014). Dependência da Internet, depressão adolescente e o papel mediador dos eventos da vida: Descoberta de uma amostra de adolescentes chineses. Int. J. Psychol. 49, 342 – 347. doi: 10.1002 / ijop.12063
Young, KS e de Abreu, CN (2011). Internet Addiction: Um manual e guia para avaliação e tratamento. Hoboken, NJ: Wiley.
Young, KS, Pistner, M., O'Mara, J. e Buchanan, J. (1999). Ciber-distúrbios: a preocupação com a saúde mental para o novo milênio. Cyberpsicol Behav. 2, 475 – 479. doi: 10.1089 / cpb.1999.2.475
Yuan, YC, Shao, AH, Liang, LC e Bian, YF (2014). Uma análise cruzada da relação entre insociabilidade, rejeição de pares e vitimização entre pares. Psychol. Dev. Educ. 30, 16-23.
Zhang, HY, Li, DP e Li, X. (2015). Temperamento e uso problemático da internet em adolescentes: um modelo moderado de mediação da cognição mal adaptativa e estilos parentais. 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 ai. (2014) A relação entre tempo gasto on-line e vício em internet entre os calouros universitários chineses: um modelo de moderação mediado. Acta Psychol. Pecado. 30, 65 – 68. doi: 10.3969 / j.issn.1671-6981.2007.01.015
Zhou, Z., Yuan, G. e Yao, J. (2012). Vieses cognitivos em relação a imagens relacionadas a jogos na Internet e déficits executivos em indivíduos com vício em jogos na Internet. PLoS ONE 7: e48961. doi: 10.1371 / journal.pone.0048961
Palavras-chave: Dependência da Internet, cognição desadaptativa relacionada à rede, calouros universitários, pesquisa de painel com visão cruzada, chinês
Citação: Han P, P Wang, Lin Q, Tian Y, Gao F e Chen Y (2017) Relação recíproca entre o vício em internet e a cognição desadaptativa relacionada à rede entre os calouros chineses: uma análise longitudinal cruzada. Frente. Psychol. 8: 1047. doi: 10.3389 / fpsyg.2017.01047
Recebido: 13 March 2017; Aceito: 08 June 2017;
Publicado: 22 June 2017.
Editado por:
Qinghua HeUniversidade do sudoeste, China
Revisados pela:
Guangheng DongUniversidade Normal de Zhejiang, China
Jennifer Kennel, Universitätsklinikum des Saarlandes, Alemanha
Direitos autorais © 2017 Han, Wang, Lin, Tian, Gao e Chen. Este é um artigo de acesso aberto distribuído sob os termos do Licença Creative Commons Attribution (CC BY). O uso, distribuição ou reprodução em outros fóruns é permitido, desde que o (s) autor (es) original (is) ou licenciador (s) sejam creditados e que a publicação original desta revista seja citada, de acordo com a prática acadêmica aceita. Não é permitida a utilização, distribuição ou reprodução que não esteja em conformidade com estes termos.
;