Effekter av Internet och Smartphone Addictions om depression och ångest baserat på benägenhetsklass Matchande analys (2018)

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

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

Abstrakt

Sambanden mellan Internetberoende (IA) och smartphoneberoende (SA) med psykiska problem har studerats brett. Vi undersökte effekterna av IA och SA på depression och ångest medan vi justerade för sociodemografiska variabler. I den här studien fyllde 4854 deltagare i en tvärsnittsbaserad webbaserad enkät som inkluderade sociodemografiska artiklar, den koreanska skalan för internetberoende, skalan för benägenhet för smartphoneberoende och underskalorna i symtomchecklistan 90 objekt-reviderade. Deltagarna klassificerades i grupper för IA, SA och normal användning (NU). För att minska provtagningsbias tillämpade vi matchningsmetoden för benägenhetspoäng baserad på genetisk matchning. IA-gruppen visade en ökad risk för depression (relativ risk 1.207; p < 0.001) och ångest (relativ risk 1.264; p < 0.001) jämfört med NUs. SA-gruppen visade också en ökad risk för depression (relativ risk 1.337; p < 0.001) och ångest (relativ risk 1.402; p < 0.001) jämfört med NC. Dessa fynd visar att båda, IA och SA, utövade signifikanta effekter på depression och ångest. Dessutom visade våra resultat att SA har ett starkare samband med depression och ångest, starkare än IA, och betonade behovet av förebyggande och hanteringspolicy för överdriven smartphoneanvändning.

NYCKELORD:  Internet missbruk; ångest; depression; benägenhetspoäng; smartphoneberoende

PMID: 29693641

DOI: 10.3390 / ijerph15050859

 

1. Inledning

Med den ökande användningen och bekvämligheten av internet och smartphones i det dagliga livet, har den samlade forskningen visat de negativa effekterna av överdriven användning av internet och smartphones på området för mental hälsa [1].
Antalet smartphoneanvändare i den sydkoreanska befolkningen är cirka 85 %, den högsta i världen [2]. Den överdrivna smartphoneanvändningen är dock starkt förknippad med ett antal psykiska hälsoproblem, inklusive stress och en ökad risk för onormal ångest [3,4]. Smartphoneberoende (SA) har dykt upp som en ny form av beroende tillsammans med Internetberoende (IA), och de kliniska egenskaperna hos SA har uppmärksammats de senaste åren [5]. Det finns till exempel vissa skillnader när det gäller enheternas karaktär, såsom enkel portabilitet, internetåtkomst i realtid och direktkommunikationsfunktioner hos smartphones [6]. Likheter och skillnader mellan IA och SA har rapporterats med avseende på demografiska variabler och de motiverande aspekterna av medieanvändning [1,6].
Ur miljöaspekten är brist på alternativa aktiviteter förknippad med IA [7]. Att vara singel har dessutom rapporterats vara starkt förknippad med både ett socialt nätverk och onlinespel [8]. När det gäller utbildningsnivån och månatliga inkomstdimensioner, fann en nyligen genomförd studie av personer med SA signifikanta skillnader i hälsodimensionen till förmån för dem som hade en lägre inkomst och en lägre utbildningsgrad [9]. I enlighet med detta fynd rapporterade en systematisk översikt signifikant korrelation mellan akademisk prestation och svårighetsgraden av IA [10]. När det gäller ålder fann en nyligen genomförd granskning att problematisk internetanvändning är mest relevant för både ungdomar och vuxna (19 år och äldre) [10], medan smartphoneberoende är vanligare hos yngre tonåringar jämfört med vuxna (19 år och äldre) [11]. En nyligen genomförd studie visade att kvinnor tenderar att ha ett högre genomsnitt av dagliga användningstider och beroendepoäng för smartphones, jämfört med män [4]. Choi et al. (2015) rapporterade att det manliga könet har en relevant riskfaktor för IA, och det kvinnliga könet för SA [1]. När det gäller syftet med användningen visade sig sociala nätverk vara starkare relaterat till ett högt smartphoneberoende, jämfört med andra mobiltelefonrelaterade funktioner [11]. Hos individer med IA, Anderson et al. (2016) rapporterade att manligt kön var signifikant associerat med PC-spel online [10].
När det gäller psykologiska aspekter har de positiva sambanden mellan IA och SA med depression och ångest rapporterats allmänt [12,13]. Nyligen genomförda studier har föreslagit att beroende av Internet och smartphones kan uppstå av användarens individuella kognitiva-emotionella och beteendemässiga profil snarare än själva mediet [14,15,16]. En nyligen genomförd studie observerade rollen av empati och livstillfredsställelse i både IA och SA [17]. När det gäller psykopatologi rapporterade flera studier en positiv korrelation mellan IA, depression och ångest [18,19,20], medan en nyligen genomförd studie rapporterade ett samband mellan smartphoneanvändning och svårighetsgrad, depression och ångest [13]. Därför måste sambandet mellan IA, SA och psykiska problem avgränsas exakt. Med tanke på både överlappningen och skillnaderna mellan IA och SA [16], då är frågan som uppstår i vilken utsträckning IA och SA är kopplade till den ökade nivån av depression och ångest efter justering av de förvirrande demografiska och socioekonomiska faktorerna?
Det är fortfarande oklart om psykiska problem är orsaker eller konsekvenser av överdrivet beroende av internet och smartphones. Tvärsnittsstudier har använt flera regressionsanalyser för att undersöka sambanden mellan psykiska problem, IA och SA hos människor [21]. Men i observationsstudier, som saknar randomisering, har multipel regressionsanalys begränsningar, såsom möjligheten till överskattning och ett dåligt standardfel när många kovariater är närvarande, förutom urvalsbias [22]. Att uppskatta effekterna av missbruk genom att helt enkelt undersöka ett visst resultat, såsom depression och ångest, skulle därför vara partisk av obalansen mellan de demografiska och socioekonomiska faktorerna som är förknippade med IA och SA. Dessutom har inga studier ännu undersökt de olika effekterna av IA och SA på depression och ångest beroende på egenskaperna hos Internet- och smartphoneanvändare, inklusive miljökontexter och användarnas psykologiska profiler. Propensity score matching (PSM) har blivit ett populärt tillvägagångssätt för att minska urvalsbias i observationsstudier [23,24]. I detta dokument använde vi PSM-analys för att undersöka effekterna av IA och SA på depression och ångest, för att minska urvalsbias i våra data. Vi valde kön, ålder, utbildning, civilstånd och inkomst som förvirrande variabel, med tanke på sambandet mellan dessa sociodemografiska variabler med IA och SA i vår studie [9,25].
Det primära syftet med denna studie är att undersöka sambanden mellan IA, SA och humörstatus, det vill säga depression och ångest, med hjälp av benägenhetspoängmatchningsanalys. För det andra försöker vi upptäcka hur effekterna av depression och ångest skiljer sig mellan IA och SA.

 

 

2. Material och metoder

 

 

2.1. Studiedeltagare

Uppgifterna bestod av anonyma svar på enkäten med självdiagnos online från 5003 koreanska vuxna (i åldern 19–49 år), utförda av Koreas katolska universitet, Seoul; och St. Mary's Hospital i december 2014 [26]. Studien genomfördes i enlighet med Helsingforsdeklarationen. De institutionella granskningsnämnderna vid det katolska universitetet i Korea, Seoul; och St. Mary's Hospital godkände denna studie. Alla deltagare informerades om studien och gav skriftligt informerat samtycke. Enkätdeltagarna rekryterades av en panel från ett forskningsföretag och självrapporteringsfrågeformulär administrerades via Internet utan någon ersättning. Endast 149 svarande, som inte använde smartphones, exkluderades. Slutligen analyserade vi data från 4854 deltagare. I det slutliga urvalet klassificerades åldrarna i tre kategorier: Under 30 (33.19 %), 30–39 (43.94 %) och 40–49 (22.87 %). Det fanns 2573 män (53.01%) och 2281 kvinnor (46.99%). De ytterligare demografiska variablerna för deltagarna som beaktades var utbildning, civilstånd och inkomst.

 

 

2.2. åtgärder

 

 

2.2.1. Mätning av Internetberoende

Den koreanska skalan för internetberoende (K-skalan) utvecklades i Korea för att bedöma IA och har validerats i den koreanska befolkningen med en hög tillförlitlighet av intern konsistens [27]. Cronbachs alfakoefficient för K-skalan var 0.91 [28]. Den har sju underskalor och 40 poster, som mäter störningar i det dagliga livet, testning av störningar i verkligheten, automatiska beroendeframkallande tankar, virtuella mellanmänskliga relationer, avvikande beteende, tillbakadragande och tolerans. Denna Likert-skala har ställts in från 1 (inte alls) till 4 (alltid). Enligt den tidigare rapporten med denna skala sorterades deltagarna i tre grupper: normal, potentiell risk och hög risk [29]. Högriskgruppen definierades som att ha en standardiserad poäng på 70 eller högre, i dagligt liv, automatiska beroendetankar, toleransfaktorer eller minst 70 totalt. Den potentiella riskgruppen definierades som en poäng på 62 eller högre för störningar i det dagliga livet, automatiska beroendetankar, toleransfaktorer eller minst 63 totalt. Den normala användningsgruppen innehöll dessa poäng under dessa siffror. I denna studie utgjordes IA-grupper av potentiella risk- och högriskgrupper.

 

 

2.2.2. Mätning av smartphoneberoende

Smartphone Addiction Proneness Scale (K-SAS) har validerats och används i stor utsträckning för att screena för SA [30]. Den består av 15 objekt som betygsatts i en fyragradig Likert-skala för nödsituationer från 1 (inte alls) till 4 (alltid). Frågorna undersökte tre faktorer: störningar i det dagliga livet, automatiska beroendetankar och tolerans. Cronbachs alfakoefficient för K-SAS var 0.880 [5].
Baserat på en tidigare rapport med denna skala använde vi poängen för att klassificera deltagarna i tre grupper: Normal, potentiell risk och hög risk [30]. Högriskgruppen definierades som att ha en poäng på 44 eller mer totalt, eller ha ett subpoäng på 15 eller mer i dagliga störningar tillsammans med subpoäng på 13 eller mer, i både automatiska beroendeframkallande tankar och tolerans. Den potentiella riskgruppen definierades som att den hade 41 eller mer i totalpoängen, eller 15 eller mer i störningsfaktorn i det dagliga livet. Den normala användningsgruppen innehöll dessa poäng under dessa siffror [30]. I denna studie bestod den smartphone-beroende gruppen av högriskgrupper och potentiella riskgrupper.

 

 

2.2.3. Mätning av psykiska problem: Depression och ångest

SCL-90-R är ett flerdimensionellt frågeformulär utvecklat för att undersöka en rad psykologiska och psykopatologiska egenskaper i 9 subskalor: Somatisering, tvångssyndrom, interpersonell känslighet, depression, ångest, fientlighet, fobisk ångest, paranoida föreställningar och psykoticism [31]. SCL-90 innehåller 90 föremål som klassificeras i en 5-gradig nödskala från 0 (ingen) till 4 (extrem). Test-omtest-tillförlitligheten för SCL-90-R på koreanska var 0.76 för depression och 0.77 för ångest. Den inre konsistensen var 0.89 för depression och 0.86 för ångest [31]. Depression och ångest har rapporterats vara de psykiatriska symtom som är starkast förknippade med IA och SA [12,13]. De specifika dimensionerna av intresse att screena i denna studie inkluderade SCL-90-R-subskalorna för depression och ångest.

 

 

2.3. Dataanalys

 

 

2.3.1. Statistisk definition

Låt Zi

 

vara en binär beroendeindikator för det i:te ämnet; det är, Zi=1 om det i:e ämnet är beroende (IA eller SA), och Zi=0 annat. Det potentiella resultatet av ett psykiskt problem (depression eller ångest) definieras som Yi(Zi. Observera att endast ett av de potentiella resultaten observeras samtidigt för varje ämne, så direkt beräkning av Yi(1)-Yi är omöjligt. Istället för den individuella effekten är den primära parametern av intresse den förväntade beroendeeffekten på den beroende befolkningen

τ=E(Yi(1)-Yi(0)|
 
Men uppskattningen av τ

har fortfarande problem pga E(Yi(0)|Zi kan inte direkt uppskattas. Naturligtvis, i randomiserade experiment, E(Yi(0)|Zi är nöjd, alltså τ lätt kan uppskattas. Men i en observationsstudie, den naiva uppskattningen av τ kan vara partisk eftersom E(Yi(0)|Zi. För att justera denna selektionsbias antar vi att vi kan observera kovariaterna Xi som inte påverkas av något beroende, och för en given kovariat Xi, de potentiella resultaten Yi(1), Yi är villkorligt oberoende av beroendeindikator Zi. Dessutom, om potentiella utfall är oberoende av beroendet beroende av kovariater Xi, de är också oberoende av beroendet villkorat i benägenhetspoängen P(Xi)= P(Zi=1|Xi[19]. PSM-uppskattaren för τ blir

τPSM=EP(X)|Z=1

 

 

 

 

 

2.3.2. Uppskattning av Propensity Score

Benägenhetspoäng beräknas med logistisk regression, en modell som används för att förutsäga sannolikheten att ett beroende inträffar 

logP(Zi=1|Xi)

 

 

 
I denna uppsats, som kovariaterna för Xi

 

 

, betraktar vi fem kategoriska kovariater: kön (1 = man och 2 = kvinna), ålder (1 = 20–29, 2 = 30–39 och 3 = 40–49), utbildning (1 = mellanstadiet, 2 = gymnasiet skola och 3 = universitet eller högre), civilstånd (1 = singel, 2 = sambo, 3 = gift, 4 = frånskild och 5 = sörjande) och inkomst (1 = låg, 2 = medellåg, 3 = mellan, 4 = mellanhög och 5 = hög). I Avsnitt 1, kan dessa kovariater påverka utfallen (depression eller ångest) och missbruk samtidigt. För varje ämne uppskattade vi således benägenhetspoängen; det vill säga den villkorade sannolikheten att bli beroende givet de observerade kovariaterna [32].

 

 

2.3.3. Matchningsmetoder baserade på det uppskattade benägenhetspoäng

När väl benägenhetspoängen har uppskattats kan matchning användas för att uppskatta behandlingseffekten efter justering till skillnaderna mellan de två grupperna [33]. Målet med matchningen är att ta fram ett matchat urval som balanserar fördelningen av en studies patient och matchar kovariaterna för de observerade kontrollgrupperna. Denna justeringsmetod tillåter oss att kontrollera de störande variablerna. I denna studie antog vi två ofta använda matchningsmetoder, den optimala och genetiska matchningen [34].

 

 

2.3.4. Uppskattning av de relativa riskerna för beroende av psykiska hälsoproblem efter matchning av benägenhetspoäng

Efter matchning av benägenhetspoäng genom att använda de observerade kovariaterna (ålder, kön, äktenskap, inkomst och utbildning), har vi en mer balanserad datauppsättning. För att modellera det mentala hälsoproblemet (depression eller ångest) tillämpade vi generaliserade linjära modeller (GLM) på det matchade urvalet. Eftersom poängen för mental hälsa är positiva och partiska, är gammafördelningen med logglänk anpassad. Låta Yi

 

vara ett resultat av intresse (en poäng av depression eller ångest) med elak μi, kan vi använda ramverket Gamma GLM med kovariater Xi:

 

logμi=γT
 
 
Genom modellering uppskattade vi eγ

 

 

som de relativa riskerna (som en förväntad medelskillnad mellan grupperna) för IA och SA för varje kovariat.

 

 

3. Resultat

Utöver de 4854 deltagarna ingick 126 (2.60%) i IA-gruppen och 652 (13.43%) inkluderades i SA-gruppen. Tabell 1 visar den beskrivande statistiken över depressions- och ångestpoängen. Medelpoängen för depression och ångest för IA- och SA-grupper är större än för normalanvändningsgruppen (NU).
Tabell 1. Beskrivande statistik över depression och ångestpoäng.
Bord

 

 

3.1. Matchningskvalitet för Matchningsmetoden för Propensity Score

Även om vi endast konditionerar ett fåtal av kovariaterna i frågeformulären i denna studie, via benägenhetspoängen, fann vi att matchningsproceduren var tillräcklig för att balansera fördelningen av varje kovariat, Tabell 2 och Tabell 3. Vi bedömde avstånden i marginalfördelningarna av Xi

 

 

 

. För varje kovariat beräknade vi biasen; det vill säga skillnaden i urvalsmedelvärden för de beroende och normala proverna. Innan applicering av benägenhetspoängmatchningen ignorerades inte fördomarna. Efter matchning av benägenhetspoäng hade dock beroende- och normala delprover en mycket liknande marginalfördelning för alla kovariater.
Tabell 2. Jämförelse av den genomsnittliga procentandelen av baslinjeegenskaper mellan IA- och normal användningsgrupper, i det ursprungliga provet och det matchade provet med benägenhetspoäng, med användning av den genetiska och optimala matchningen.
Bord
Tabell 3. Jämförelse av den genomsnittliga procentandelen av baslinjeegenskaper mellan SA och normala grupper, i det ursprungliga provet och det matchade provet med benägenhetspoäng, med användning av den genetiska och optimala matchningen.
Bord

 

 

3.2. Effekter av internetberoende på depression och ångest

Effekterna av IA på depression och ångest erhållna med hjälp av benägenhetspoängmatchning rapporteras i Tabell 4. Genom genetisk matchning valdes 3846 prover ut. IA var relaterad till en större risk för depression (relativ risk 1.207, 95 % konfidensintervall 1.128–1.292 och p < 0.001) och ångest (relativ risk 1.264, 95 % konfidensintervall 1.173–1.362 p < 0.001, och ångest). Alla dessa relativa riskkvoter är signifikanta eftersom konfidensintervallet inte innehåller 1. Genom optimal matchning valdes 252 prover ut. IA var relaterad till en större depression (relativ risk 1.243, 95 % konfidensintervall 1.145–1.348 och p < 0.001) och ångest (relativ risk 1.308, 95 % konfidensintervall 1.192–1.435, och p < 0.001). I likhet med den genetiska matchningen är de relativa riskkvoterna för båda, depression och ångest, betydligt större än 1.
Tabell 4. Effekter av internet- och smartphoneberoende på depression och ångest, baserat på matchning av benägenhetspoäng.
Bord

 

 

3.3. Effekter av smartphoneberoende på depression och ångest

Effekterna av SA på depression och ångest med hjälp av benägenhetspoängmatchning rapporteras i Tabell 4. Genom genetisk matchning valdes 4516 prover ut. SA var relaterad till en större risk för depression (relativ risk 1.337, 95 % konfidensintervall 1.296–1.378 och p < 0.001) och ångest (relativ risk 1.402, 95 % konfidensintervall 1.355–1.450, och p < 0.001). Genom optimal matchning valdes 1304 prover ut. SA var relaterat till en större risk för depression (relativ risk 1.386, 95 % konfidensintervall 1.334–1.440 och p < 0.001) och ångest (relativ risk 1.440, 95 % konfidensintervall 1.380–1.503, och p < 0.001). Alla dessa relativa riskkvoter är betydande.

 

 

3.4. Skillnader i effekterna av internet- och smartphoneberoende på depression och ångest

De relativa riskkvoterna för depression och ångest, från både genetisk och optimal matchning, var 10 % högre för SA än för IA. Detta innebär att SA har en större risk för depression och ångest än IA. Dessa konfidensintervall innehåller inte 1:an, så vi kan säga att SA är 34–44 % mer benägna att orsaka en psykisk störning.

 

 

4. Diskussion

Våra resultat är att både IA och SA utövar signifikanta effekter på depression och ångest, även efter att ha kontrollerat konfounderna med hjälp av benägenhetspoängmatchning. Epidemiologiska studier har uppskattat en högre förekomst av depression vid IA [35,36]. Ett antal tvärsnittsstudier har rapporterat att individer med IA eller SA visade högre nivåer av depression och ångest än normala användare [13,37]. I den aktuella studien visar våra resultat rollerna för IA och SA för att utveckla depression och ångest. Det finns några möjliga förklaringar till de aktuella fynden. För det första kan beroendeframkallande användning av internet och smartphones öka interpersonella problem, som är relaterade till depression och ångest, såsom familjekonflikter, brist på offline-relationer och ett ökat behov av godkännande i cyberrymden. För det andra föreslås abstinenssymtom som psykopatologiska mönster i IA och SA, jämförbara med missbruksstörningar [5]. När de inte har tillgång till en PC eller smartphone kan individer med IA eller SA bli oroliga och sedan vilja använda Internet eller en smartphone för att undkomma sådana negativa känslor [38]. En annan möjlig förklaring är att till skillnad från andra beroendeframkallande ämnen, såsom alkohol och nikotin, kan överanvändare av internet och smartphones ha liten insikt om deras överdrivna användning i det dagliga livet på grund av fri och flexibel tillgång till enheterna [3], vilket gör att de upplever sin överdrivna användning som ett irritationsmoment snarare än som ett tecken på problematiskt beteende [39]. Ett annat intressant fynd var att SA utövade starkare effekter på depression och ångest än IA. Detta får oss att spekulera i att IA och SA har olika inflytande på psykiska problem. Det kan finnas flera möjliga förklaringar till detta fynd. För det första, med tanke på medieegenskaperna, är det lättare för den överdrivna smartphoneanvändningen som utvecklas genom enhetens vanebildande karaktär, på grund av dess högre tillgänglighet till det trådlösa nätverket och 24 timmars frekventa aviseringar [39]. För det andra, när det gäller miljöfaktorer, kan detta fynd återspegla den nuvarande radikala förändringen av genomsnittet för dagligt liv från datorer till smartphones. Människor kan använda PC-internet för komplicerat arbete och utföra de andra dagliga uppgifterna med smartphones, vilket leder till en minskning av arbetsproduktiviteten och en högre nivå av stress [40]. Slutligen kan individer med SA använda smartphones för att upprätthålla relationer och en känsla av anknytning till det sociala onlinenätverket [41], vilket leder till rädslan för att missa och rädslan för att förlora anslutningen, samtidigt som det utlöser en högre smartphoneanvändning [42].
Den här studien har flera begränsningar för att generalisera resultaten till hela befolkningen, såsom tvärsnittskaraktären hos datagränserna och tolkningen av kausal slutledning mellan Internet och smartphoneberoende, depression och ångest. Benägenhetsmatchning har också begränsningar och krav. Den största begränsningen är att benägenhetspoäng endast kan kontrolleras av observerade konfounders [43]. Möjligheten för oobserverade konfounders kan finnas kvar, vilket begränsar studieresultatet för generalisering. Dessutom, på grund av att alla observerade confounders i denna studie samlades in som kategoriska variabler, kan det finnas informationsförlust när man bygger PSM-modell. Därför bör våra resultat tolkas med försiktighet. Men för att få robusta resultat av matchning övervägde vi två matchningsmetoder, genetisk matchning och optimal matchning. Speciellt, genetisk matchning använder en genetisk sökalgoritm, så dess process kan hitta en bra matchningslösning med mindre förlust av information [44]. Slutligen utfördes bedömningen av depression och ångestsymptom genom självrapportering av psykologiska symtommått med användning av SCL-90-R. Att utvärdera psykiska problem mer exakt och konsekvent. En strukturerad intervju av läkare bör genomföras i fortsatta studier.

 

 

5. Slutsatser

I denna studie undersökte vi hur IA och SA påverkar psykiska problem, depression och ångest. Så vitt vi vet är detta den första studien för att uppskatta sambandet mellan IA, SA och psykopatologi med hjälp av propensity matching-poängmetoden från tvärsnittsdata, och för att undersöka den differentiella effekten i psykopatologin mellan IA och SA. Sammanfattningsvis visar våra fynd att både IA och SA ökar risken för depression och ångest. Dessutom visade SA ett starkare samband med depression och ångest jämfört med IA.
En implikation av dessa fynd är att individer med problematisk smartphoneanvändning bör övervakas noggrant för psykiska problem, vilket lyfter fram behovet av att upprätta förebyggande och hanteringspolicyer som är inriktade på den prekliniska nivån av SA. Ytterligare prospektiva studier bör undersöka orsaksriktningarna för sambanden mellan IA, SA och psykiska problem och bör identifiera de diskriminerande faktorerna för IA och SA.

 

 

Författarbidrag

D.-JK och DL utformade och utformade experimenten; HMJ analyserade data; Y.-JK skrev tidningen. YL övervakade datainsamlingen. Alla författare bidrog till utvecklingen av manuskriptet, reviderade det kritiskt och godkände det slutliga manuskriptet.

 

 

Erkännanden

Detta arbete stöddes av ett anslag från Koreas National Research Foundation (bidrag nr. 2014M3C7A1062894, 2014M3C7A1062896).

 

 

Intressekonflikt

Författarna förklarar ingen intressekonflikt.

 

 

Referensprojekt

  1. Choi, S.-W.; Kim, D.-J.; Choi, J.-S.; Ahn, H.; Choi, E.-J.; Song, W.-Y.; Kim, S.; Youn, H. Jämförelse av risk- och skyddsfaktorer förknippade med smartphoneberoende och internetberoende. J. Behav. Missbrukare. 2015, 4, 308-314. [Google Scholar] [CrossRef] [PubMed]
  2. 2016 undersökningen om Internet överberoende; Ministeriet för vetenskap, IKT och framtidsplanering: Seoul, Korea, 2017.
  3. Lee, Y.-K.; Chang, C.-T.; Lin, Y.; Cheng, Z.-H. Den mörka sidan av smartphoneanvändning: Psykologiska egenskaper, tvångsmässigt beteende och teknostress. Comput. Brum. Behav. 2014, 31, 373-383. [Google Scholar] [CrossRef]
  4. Lee, KE; Kim, S.-H.; Ha, T.-Y.; Yoo, Y.-M.; Han, J.-J.; Jung, J.-H.; Jang, J.-Y. Beroende av smartphoneanvändning och dess samband med ångest i Korea. Folkhälsorepresentant. 2016, 131, 411-419. [Google Scholar] [CrossRef] [PubMed]
  5. Kim, D.; Chung, Y.; Lee, J.; Kim, M.; Lee, Y.; Kang, E.; Keum, C.; Nam, J. Utveckling av benägenhetsskala för smartphoneberoende för vuxna: självrapportering. Koreanska J. Couns. 2012, 13, 629-644. [Google Scholar]
  6. Kwon, M.; Lee, J.-Y.; Vann, W.-Y.; Park, J.-W.; Min, J.-A.; Hahn, C.; Gu, X.; Choi, J.-H.; Kim, D.-J. Utveckling och validering av en smartphoneberoendeskala (SAS). PLoS ETT 2013, 8, e56936. [Google Scholar] [CrossRef] [PubMed]
  7. Kuss, DJ; Griffiths, MD; Karila, L .; Billieux, J. Internetberoende: En systematisk översyn av epidemiologisk forskning under det senaste decenniet. Curr. Pharm. Des. 2014, 20, 4026-4052. [Google Scholar] [CrossRef] [PubMed]
  8. Andreassen, CS; Billieux, J.; Griffiths, MD; Kuss, DJ; Demetrovics, Z.; Mazzoni, E.; Pallesen, S. Relationen mellan beroendeframkallande användning av sociala medier och videospel och symtom på psykiatriska störningar: En storskalig tvärsnittsstudie. Psychol. Missbrukare. Behav. 2016, 30, 252. [Google Scholar] [CrossRef] [PubMed]
  9. Aljomaa, SS; Qudah, MFA; Albursan, IS; Bakhiet, SF; Abduljabbar, AS Smartphoneberoende bland universitetsstudenter i ljuset av vissa variabler. Comput. Brum. Behav. 2016, 61, 155-164. [Google Scholar] [CrossRef]
  10. Anderson, EL; Steen, E.; Stavropoulos, V. Internetanvändning och problematisk internetanvändning: En systematisk genomgång av longitudinella forskningstrender i tonåren och emergent vuxen ålder. Int. J. Adolesc. Ungdom 2017, 22, 430-454. [Google Scholar] [CrossRef]
  11. Haug, S.; Castro, RP; Kwon, M.; Filler, A.; Kowatsch, T.; Schaub, MP Smartphoneanvändning och smartphoneberoende bland ungdomar i Schweiz. J. Behav. Missbrukare. 2015, 4, 299-307. [Google Scholar] [CrossRef] [PubMed]
  12. Ko, C.-H.; Yen, J.-Y.; Yen, C.-F.; Chen, C.-S.; Chen, C.-C. Sambandet mellan Internetberoende och psykiatrisk störning: En genomgång av litteraturen. Eur. Psykiatri 2012, 27, 1-8. [Google Scholar] [CrossRef] [PubMed]
  13. Demirci, K.; Akgönül, M.; Akpinar, A. Förhållandet mellan svårighetsgrad av smartphoneanvändning och sömnkvalitet, depression och ångest hos universitetsstudenter. J. Behav. Missbrukare. 2015, 4, 85-92. [Google Scholar] [CrossRef] [PubMed]
  14. Brand, M.; Young, KS; Laier, C.; Wölfling, K.; Potenza, MN Integrering av psykologiska och neurobiologiska överväganden angående utveckling och underhåll av specifika Internetanvändningsstörningar: En interaktion mellan person-påverkan-kognition-utförande (I-PACE) modell. Neurosci. Biobehav. Varv. 2016, 71, 252-266. [Google Scholar] [CrossRef] [PubMed]
  15. Kim, Y.-J.; Kim, D.-J.; Choi, J. Den kognitiva dysregleringen av Internetberoende och dess neurobiologiska korrelat. Främre. Biosci (Elitered.) 2017, 9, 307-320. [Google Scholar]
  16. Lachmann, B.; Duke, É.; Sariyska, R.; Montag, C. Vem är beroende av smartphone och/eller internet? Psychol. Pop. Mediekult. 2017. [Google Scholar] [CrossRef]
  17. Lachmann, B.; Sindermann, C.; Sariyska, RY; Luo, R.; Melchers, MC; Becker, B.; Cooper, AJ; Montag, C. Rollen av empati och livstillfredsställelse i Internet och smartphone användningsstörning. Främre. Psychol. 2018, 9, 398. [Google Scholar] [CrossRef] [PubMed]
  18. Banjanin, N.; Banjanin, N.; Dimitrijevic, I.; Pantic, I. Förhållandet mellan internetanvändning och depression: Fokus på fysiologiska humörsvängningar, socialt nätverkande och beroendeframkallande beteende online. Comput. Brum. Behav. 2015, 43, 308-312. [Google Scholar] [CrossRef]
  19. Akin, A.; Iskender, M. Internetberoende och depression, ångest och stress. Int. Online J. Educ. Sci. 2011, 3, 138-148. [Google Scholar]
  20. Ostovar, S.; Allahyar, N.; Aminpoor, H.; Moafian, F.; Inte heller, MBM; Griffiths, MD Internetberoende och dess psykosociala risker (depression, ångest, stress och ensamhet) bland iranska tonåringar och unga vuxna: En strukturell ekvationsmodell i en tvärsnittsstudie. Int. J. Ment. Hälsomissbrukare. 2016, 14, 257-267. [Google Scholar] [CrossRef]
  21. Cheung, LM; Wong, WS Effekterna av sömnlöshet och internetberoende på depression hos kinesiska ungdomar i Hongkong: En utforskande tvärsnittsanalys. J. Sleep Res. 2011, 20, 311-317. [Google Scholar] [CrossRef] [PubMed]
  22. Cepeda, MS; Boston, R.; Farrar, JT; Strom, BL Jämförelse av logistisk regression kontra benägenhetspoäng när antalet händelser är lågt och det finns flera konfounders. Am. J. Epidemiol. 2003, 158, 280-287. [Google Scholar] [CrossRef] [PubMed]
  23. Austin, PC En kritisk bedömning av propensity-poängmatchning i medicinsk litteratur mellan 1996 och 2003. Stat. Med. 2008, 27, 2037-2049. [Google Scholar] [CrossRef] [PubMed]
  24. Austin, PC; Grootendorst, P.; Anderson, GM En jämförelse av förmågan hos olika benägenhetspoängmodeller att balansera uppmätta variabler mellan behandlade och obehandlade patienter: En Monte Carlo-studie. Statistik. Med. 2007, 26, 734-753. [Google Scholar] [CrossRef] [PubMed]
  25. Müller, KW; Glaesmer, H.; Brähler, E.; Woelfling, K.; Beutel, ME Prevalens av internetberoende i den allmänna befolkningen: Resultat från en tysk befolkningsbaserad undersökning. Behav. Inf. Technol. 2014, 33, 757-766. [Google Scholar] [CrossRef]
  26. Rho, MJ; Lee, H.; Lee, T.-H.; Cho, H.; Jung, D.; Kim, D.-J.; Choi, IY Riskfaktorer för Internet Gaming Disorder: Psykologiska faktorer och Internet Gaming Characteristics. Int. J. Environ. Res. Folkhälsan 2018, 15, 40. [Google Scholar] [CrossRef] [PubMed]
  27. National Information Service Agency. En studie av benägenhetsskala för Internetberoende för vuxna; National Information Service Agency: Seoul, Korea, 2005. [Google Scholar]
  28. Kim, D. Uppföljningsstudien av benägenhetsskalan för Internetberoende; Korea Agency for Digital Opportunity and Marketing: Seoul, Korea, 2008; Tillgänglig online: http://www.nia.or.kr/site/nia_kor/ex/bbs/View.do?cbIdx=39485&bcIdx=277&parentSeq=277 (nås på 8 maj 2008).
  29. Kim, D.-I.; Chung, Y.-J.; Lee, E.-A.; Kim, D.-M.; Cho, Y.-M. Utveckling av internetberoendebenägenhet skala-kortform (KS-skala). Koreanska J. Couns. 2008, 9, 1703-1722. [Google Scholar]
  30. National Information Service Agency. Utveckling av koreansk Smartphone Addiction Proness Scale för ungdomar och vuxna; National Information Service Agency: Seoul, Korea, 2011; s. 85–86. [Google Scholar]
  31. Kim, KI.; Kim, JW. Standardiseringsstudien av symptomchecklista-90-R i Korea III. Menade. Health Res. 1984, 2, 278-311. [Google Scholar]
  32. Heckman, J.; Smith, J. Att bedöma fallet för sociala experiment. J. Econ. Perspektiv. 1995, 9, 85-110. [Google Scholar] [CrossRef]
  33. Caliendo, M.; Kopeinig, S. Lite praktisk vägledning för implementering av benägenhetspoängmatchning. J. Econ. Surv. 2008, 22, 31-72. [Google Scholar] [CrossRef]
  34. Sekhon, JS; Diamond, A. Genetic Matching for Estimating Causal Effects, opublicerat manuskript. Presenterad vid årsmötet för Political Methodology, Tallahassee, FL, USA, juli 2005. [Google Scholar]
  35. Ghassemzadeh, L.; Shahraray, M.; Moradi, A. Prevalens av Internetberoende och jämförelse av Internetmissbrukare och icke-missbrukare i iranska gymnasieskolor. Cyberpsychol. Behav. 2008, 11, 731-733. [Google Scholar] [CrossRef] [PubMed]
  36. Yen, J.-Y.; Ko, C.-H.; Yen, C.-F.; Wu, H.-Y.; Yang, M.-J. De komorbida psykiatriska symtomen på internetberoende: Attention Deficit and Hyperactivity Disorder (ADHD), depression, social fobi och fientlighet. J. Adolesc. Hälsa 2007, 41, 93-98. [Google Scholar] [CrossRef] [PubMed]
  37. Tonioni, F.; Mazza, M.; Autullo, G.; Cappelluti, R.; Catalano, V.; Marano, G.; Fiumana, V.; Moschetti, C.; Alimonti, F.; Luciani, M. Är internetberoende ett psykopatologiskt tillstånd som skiljer sig från patologiskt spelande? J. Addict. Behav. 2014, 39, 1052-1056. [Google Scholar] [CrossRef] [PubMed]
  38. Kuss, DJ; Griffiths, MD Sociala nätverk och missbruk online - En översyn av den psykologiska litteraturen. Int. J. Environ. Res. Folkhälsan 2011, 8, 3528-3552. [Google Scholar] [CrossRef] [PubMed]
  39. Oulasvirta, A.; Rattenbury, T.; Ma, L.; Raita, E. Vanor gör smartphoneanvändning mer genomgripande. Pers. Ubiquitous Comput. 2012, 16, 105-114. [Google Scholar] [CrossRef]
  40. Duke, É.; Montag, C. Smartphoneberoende, dagliga avbrott och självrapporterad produktivitet. Missbrukare. Behav. Rep. 2017, 6, 90-95. [Google Scholar] [CrossRef] [PubMed]
  41. Kuss, DJ; Griffiths, MD Sociala nätverkssajter och beroende: Tio lärdomar. Int. J. Environ. Res. Folkhälsan 2017, 14, 311. [Google Scholar] [CrossRef] [PubMed]
  42. Oberst, U.; Wegmann, E.; Stodt, B.; Brand, M.; Chamarro, A. Negativa konsekvenser från tunga sociala nätverk hos ungdomar: Den förmedlande rollen av rädsla för att missa. J. Adolesc. 2017, 55, 51-60. [Google Scholar] [CrossRef] [PubMed]
  43. Joffe, MM; Rosenbaum, PR Inbjuden kommentar: Benägenhetspoäng. Am. J. Epidemiol. 1999, 150, 327-333. [Google Scholar] [CrossRef] [PubMed]
  44. Diamond, A.; Sekon, J. Genetisk matchning för att uppskatta kausala effekter: En ny metod för att uppnå balans i observationsstudier. Rev. Econ. Statistik. 2013, 95, 932-945. [Google Scholar] [CrossRef]