Patologisk internetanvändning och riskhantering bland europeiska ungdomar (2016)

Int. J. Environ. Res. Folkhälsan 2016 13(3), 294; doi:10.3390 / ijerph13030294

Tony Durkee 1,*, Vladimir Carli 1, Birgitta Floderus 2, Camilla Wasserman 3,4, Marco Sarchiapone 3,5, Alan Apter 6, Judit A. Balazs 7,8, Julio Bobes 9, Romuald Brunner 10, Paul Corcoran 11, Doina Cosman 12, Christian Haring 13, Christina W. Hoven 4,14, Michael Kaess 10, Jean-Pierre Kahn 15, Bogdan Nemes 12, Vita Postuvan 16, Pilar A. Saiz 9, Peeter Värnik 17 och Danuta Wasserman 1
1
Nationellt centrum för självmordsforskning och förebyggande av psykisk ohälsa (NASP), Karolinska Institutet, Stockholm SE-17177, Sverige
2
Institutionen för klinisk neurovetenskap, Karolinska Institutet, Stockholm SE-17177, Sverige
3
Institutionen för medicin och hälsovetenskap, University of Molise, Campobasso 86100, Italien
4
Institutionen för barn- och ungdomspsykiatri, New York State Psychiatric Institute, Columbia University, New York, NY 10032, USA
5
National Institute for Migration and Poverty, Via San Gallicano, Roma 25 / A, Italien
6
Feinberg Child Study Center, Schneider Children's Medical Center, Tel Aviv University, Tel Aviv 49202, Israel
7
Vadaskert barn- och ungdomspsykiatriska sjukhus, Budapest 1021, Ungern
8
Psykologiska institutet, Eötvös Loránd universitet, Budapest 1064, Ungern
9
Institutionen för psykiatri, Centrum för biomedicinsk forskning i nätverket för mental hälsa (CIBERSAM), University of Oviedo, Oviedo 33006, Spain
10
Sektionen för störningar av personlighetsutveckling, klinik för barn- och ungdomspsykiatri, Center of Psychosocial Medicine, University of Heidelberg, Heidelberg 69115, Germany
11
National Suicide Research Foundation, Western Rd., Cork, Irland
12
Institutionen för klinisk psykologi, Iuliu Hatieganu University of Medicine and Pharmacy, Str. Victor Babes Nr. 8, Cluj-Napoca 400000, Rumänien
13
Forskningsavdelningen för mental hälsa, Universitetet för medicinsk informationsteknologi (UMIT), Klagenfurt, Innsbruck 6060, Österrike
14
Institutionen för epidemiologi, Mailman School of Public Health, Columbia University, New York, NY 10032, USA
15
Institutionen för psykiatri, Centre Hospitalo-Universitaire de Nancy, Université de Lorraine, Nancy, Vandoeuvre-lès-Nancy 54500, Frankrike
16
Slovene Center for Suicide Research, Andrej Marušič Institute, University of Primorska, Koper 6000, Slovenien
17
Center for Behavioral and Health Sciences, Estonian-Swedish Mental Health & Suicidology Institute, Tallinn University, Tallinn 10120, Estland
*
Correspondence: Tel.: +46-852-486-935; Fax: +46-8-30-64-39
Akademisk redaktör: Paul B. Tchounwou
Mottaget: 1 december 2015 / Accepterat: 3 mars 2016 / Publicerat: 8 mars 2016

Abstrakt

: Riskbeteenden bidrar främst till de främsta orsakerna till sjukdom hos ungdomar och ungdomar. deras koppling till patologisk Internetanvändning (PIU) är emellertid relativt outforskad, särskilt inom det europeiska sammanhanget. Huvudsyftet med denna studie är att undersöka sambandet mellan riskbeteenden och PIU hos europeiska ungdomar. Denna tvärsnittsstudie genomfördes inom ramen för FP7 Europeiska unionens projekt: Rädda och stärka unga liv i Europa (SEYLE). Uppgifter om ungdomar samlades in från randomiserade skolor inom undersökningsplatser i elva europeiska länder. PIU mättes med Youngs diagnostiska frågeformulär (YDQ). Riskbeteenden bedömdes med hjälp av frågor från Global School-Based Student Health Survey (GSHS). Totalt 11,931 ungdomar inkluderades i analyserna: 43.4% manliga och 56.6% kvinnliga (M / F: 5179 / 6752), med en medelålder på 14.89 ± 0.87 år. Ungdomar som rapporterade dåliga sömnvanor och riskåtgärder visade de starkaste föreningarna med PIU, följt av tobaksbruk, dålig näring och fysisk inaktivitet. Bland ungdomar i PIU-gruppen karakteriserades 89.9% som att ha flera riskbeteenden. Den signifikanta föreningen som observerats mellan PIU och riskbeteenden, i kombination med en hög frekvens av co-händelse, understryker vikten av att överväga PIU vid screening, behandling eller förebyggande av högriskbeteenden hos ungdomar.

Nyckelord: patologisk Internetanvändning; Internet missbruk; riskbeteende; flera riskbeteenden; ohälsosam livsstil; ungdomar; SEYLE

1. Inledning

Ungdom är en övergångsperiod som kännetecknas av betydande förändringar i fysiska, sociala och psykologiska attribut [1]. Dessutom genomgår förhållanden med kamrater, familj och samhälle tydliga förändringar under denna övergående period, då ungdomar börjar hävda autonomi över sina beslut, känslor och beteenden [2]. Sociala inställningar hos ungdomar utvecklas ofta i samband med psykosociala interaktioner inom olika lärande sammanhang [3]. Med tanke på den omfattande plattformen för att främja social kognition och interpersonella färdigheter [4,5] har Internet visat sig vara en ny och unik kanal för psykosocial utveckling bland ungdomar [6,7].
Trots dessa inneboende fördelar har studier visat att frekvent och långvarig användning av onlineapplikationer har en benägenhet att förskjuta konventionella sociala interaktioner och relationer [8,9]. Det finns bevis som visar att ackumulerad tid online förskjuter tid för ansikte mot ansikte interaktion med familj och vänner [10], deltar i aktiviteter utanför läroplanen [11], genomföra akademiska uppgifter [12], korrekta matvanor [13], fysisk aktivitet [14] och sova [15]. Eftersom ungdomar spenderar mer tid online, finns det en risk att deras Internetanvändning kan bli överdrivet eller till och med patologisk [16].
 
Patologisk Internetanvändning (PIU) kännetecknas av överdrivna eller dåligt kontrollerade upptagen, uppmaningar eller beteenden beträffande Internetanvändning som leder till nedsatt eller nöd [17]. PIU har konceptuellt modellerats som en impulskontrollstörning och klassificerats som en taxonomi för beteendemissbruk som besläktar arten av patologisk spel [18]. Trots de senaste framstegen inom PIU-forskning hindras ansträngningarna för att förstå detta fenomen av bristen på internationell konsensus om de diagnostiska kriterierna för tillståndet. Det är varken listat i diagnos- och statistikhandboken för mentala störningar (DSM) eller den internationella klassificeringen av sjukdomar (ICD) nosologiska system. Den stora utmaningen som PIU-forskningen står inför är dess uppfattning som en beroendeframkallande störning.
 
Mot bakgrund av dessa påståenden har den nyligen publicerade DSM-5 [19] har inkluderat beteendemissbruk (icke-substansrelaterade beroendeframkallande sjukdomar) som en officiell diagnostisk kategori, med spelsjukdom (GD) som det enda tillstånd som anges i denna nya klassificering. Internet gaming störning (IGD) är också en potentiell subtyp av beteendemissbruk som ansågs för att inkluderas i DSM-nosologiska systemet; bevis saknade IGD som en diagnostisk störning saknade dock fortfarande. IGD inkluderades därefter i avsnitt III i DSM-5, som ett villkor som krävde ytterligare studier [20], för att fastställa dess eventuella lämplighet som diagnostisk störning. Trots PIU: s nuvarande nosologiska tvetydighet finns det fortfarande övervägande bevis som visar en stark koppling mellan PIU och andra former av missbruk [21,22,23,24].
Forskning visar att individer med PIU delar neurologiska, biologiska och psykosociala attribut med både beteendemässiga och substansrelaterade missbruk [25,26,27,28,29]. Baserat på en teoretisk modell betecknad av Griffiths [30], finns det sex kärnsymptom som visas i beroendeframkallande störningar som är tillämpliga på PIU. Dessa inkluderar: uppmärksamhet (upptagen med online-aktiviteter), humörmodifiering (med hjälp av Internet för att undvika eller lindra stress), tolerans (nödvändighet att stanna online längre), tillbakadragande (depression och irritabilitet när du är offline), konflikter (interpersonell och intrapsychic) ​​och återfall (misslyckade försök att avbryta Internetanvändningen). Dessa kärnkomponenter ger ett teoretiskt ramverk för att uppskatta PIU: s storlek.
 
Prevalensgraden för PIU varierar avsevärt mellan länder, delvis på grund av heterogeniteten i dess definition, nomenklatur och diagnostisk bedömning. I ett försök att uppskatta en global prevalens har Cheng och Li [31] tog upp dessa skillnader genom att använda en metaanalys av slumpmässiga effekter med hjälp av studier med jämförbara psykometriska instrument och kriterier. Detta tillvägagångssätt gav totalt 89,281 deltagare från 31-länder som sträcker sig över flera världsregioner. Resultaten visade att den globala prevalensen av PIU var 6.0% (95% CI: 5.1 – 6.9) med endast måttlig heterogenitet.
Prevalensstudier som bedömer PIU på europeisk nivå med representativa prover är begränsade. Trots denna svaghet finns det framväxande epidemiologiska bevis som indikerar stabila trender i prevalensgraden bland denna målgrupp. I ett representativt urval av europeiska ungdomar (n = 18,709) i åldern 11 – 16 år, Blinka et al. [32] visade att prevalensen av PIU var 1.4%. Detta sammanfaller med de rapporter som rapporterats av Tsitsika et al. [33], som uppskattade en PIU-prevalens av 1.2% i ett representativt urval av europeiska ungdomar (n = 13,284) i åldern 14 – 17 år. Durkee och kollegor [34] observerade emellertid en något högre PIU-prevalens av 4.4% i ett representativt urval av europeiska ungdomar (n = 11,956) i åldern 14 – 16 år. Prevalensgraden för PIU i Europa visade sig vara signifikant högre hos män än kvinnor, öka med ålder, skiljer sig åt efter land och är kopplade till en mängd psykiska och beteendestörningar [35,36,37,38,39].
 
Uppkomsten av riskbeteenden förekommer ofta under tonåren med stor sannolikhet för kontinuitet till vuxen ålder. Män tenderar att ha en högre prevalens än kvinnor, och frekvensen av riskbeteenden tenderar att öka med åldern [40]. Det finns särskilda nivåer av svårighetsgrad, från låg risk (dåliga sömnvanor, dålig näring och fysisk inaktivitet) till hög risk (överdriven alkoholanvändning, olaglig narkotikamisbruk och tobaksbruk). Forskning har vanligtvis bedömt riskbeteenden som oberoende enheter, även om tydliga bevis visar att de förekommer, även i tidig ålder [41,42]. Befolkningar med flera riskbeteenden har den största risken för kroniska sjukdomar, psykiatriska störningar, självmordsbeteenden och för tidig död jämfört med individer med enstaka eller inget riskbeteende [43,44]. Med tanke på den samtidiga karaktären av riskbeteenden är det nödvändigt att förstå deras konsekvenser för ungdomars risk för PIU.
 
Ungdomsriskövervakningssystemet (YRBSS) i USA konstaterar att riskbeteenden är en viktig bidragsgivare till de främsta orsakerna till sjuklighet bland ungdomar och ungdomar [45]. Förutom detta implicita antagande finns det relativt lite forskning som systematiskt granskar i vilken utsträckning dessa former av beteende relaterar till ungdomars PIU, särskilt inom det europeiska sammanhanget. Epidemiologiska undersökningar är nödvändiga för att få en bättre förståelse av detta fenomen.
 
Baserat på ett stort, representativt urval av skolbaserade ungdomar i Europa är det primära syftet med denna studie att undersöka sambandet mellan riskbeteenden (dvs. alkoholanvändning, olaglig narkotikamisbruk, tobaksbruk, riskåtgärder, truancy, dåliga sömnvanor, dålig kost och fysisk inaktivitet) och distinkta former av Internetanvändning.

2. Material och metoder

2.1. Study Design and Population

Den aktuella tvärsnittsstudien genomfördes inom ramen för Europeiska unionens projekt: Rädda och stärka unga liv i Europa (SEYLE) [46]. Ungdomar rekryterades från slumpmässigt utvalda skolor över studieplatser i Österrike, Estland, Frankrike, Tyskland, Ungern, Irland, Israel, Italien, Rumänien, Slovenien och Spanien, där Sverige fungerade som koordineringscentrum.
 
Inkluderingskriterierna för att välja valbara skolor baserades på följande villkor: (1) skolor var offentliga; (2) innehöll minst 40 studenter i åldern 15 år; (3) hade mer än två lärare för studenter i åldern 15 år; och (4) hade inte mer än 60% av elever av samma kön. Stödberättigade skolor kategoriserades efter storlek: (i) litet (≤ medianantalet studenter i alla skolor på undersökningsplatsen); och (ii) stort (≥medianantalet studenter i alla skolor på undersökningsplatsen) [46]. Med användning av en slumptalsgenerator randomiserades skolorna enligt SEYLE-interventioner och skolstorlek med avseende på sociokulturella faktorer, skolmiljö och skolsystemets struktur på varje undersökningsplats.
 
Data samlades in genom strukturerade frågeformulär som administrerades till ungdomar inom skolmiljön.
Provets representativitet, samtycke, deltagande och svarstal rapporteras i en metodologisk analys [47].
Den aktuella studien genomfördes i enlighet med Helsingforsdeklarationen, och protokollet godkändes av den lokala etiska kommittén i varje deltagande land (projekt nr. HEALTH-F2-2009-223091). Innan deltagandet i studien gav både ungdomar och föräldrar sitt informerade samtycke för deltagande.

2.2. mätningar

PIU utvärderades med hjälp av Youngs diagnostiska frågeformulär (YDQ) [18]. YDQ är ett 8-frågeformulär som utvärderar mönster för internetanvändning som resulterar i psykologisk eller social nedsättning under den sexmånadersperioden som föregår datainsamlingen [48]. De åtta artiklarna i YDQ motsvarar de sex artiklarna i Griffiths komponentmodell och nio artiklar i diagnostiska kriterierna för IGD i DSM-5 [49,50]. Baserat på YDQ-poängen, från 0 – 8, kategoriserades Internetanvändare i tre grupper: adaptiva Internetanvändare (AIU) (poäng 0 – 2); onödiga Internetanvändare (MIU) (poäng 3 – 4); och patologiska Internetanvändare (PIU) (poäng ≥ 5) [51]. Dessutom mättes timmar online per dag med hjälp av en frågeformulär i det strukturerade frågeformuläret.
Data om riskbeteenden erhölls genom att använda frågor från Global School-Based Student Health Survey (GSHS) [52]. GSHS är utvecklat av Världshälsoorganisationen (WHO) och samarbetspartners och är en skolbaserad undersökning som bedömer hälsoriskbeteenden bland ungdomar i åldern 13 – 17 år. Detta självrapport-frågeformulär innehåller artiklar som motsvarar 10 ledande orsaker till sjuklighet bland ungdomar och ungdomar.

2.3. Individuella riskbeteenden

Baserat på GSHS avgränsades individuella riskbeteenden i tre kategorier: (i) substansanvändning; (ii) sensationssökande; (iii) och livsstilsegenskaper. De efterföljande individuella riskbeteenden kodades som dikotome variabler.

2.3.1. Användning av ämnen

Ämnesanvändning omfattade alkoholanvändning, olaglig narkotikamisbruk och tobaksbruk. Variablerna klassificerades i enlighet därmed: (1) alkoholfrekvens: ≥2 gånger / vecka kontra ≤1 gånger / vecka; (2) antal drycker på en typisk dricksdag: ≥3 drycker kontra ≤2 drycker; (3) livstidsincidens av att dricka till punkten för berusning (alkoholförgiftning): ≥3 gånger kontra ≤2 gånger; (4) livstidsfrekvens av att ha en baksmälla efter att ha druckit: ≥3 gånger kontra ≤2 gånger; (5) använde droger någonsin: ja / nej; (6) någonsin använt hasj eller marijuana: ja / nej; (7) använde tobak någonsin: ja / nej; och (8) för närvarande rökning av cigaretter: ≥6 / dag kontra ≤5 / dag.

2.3.2. Sensations sökande

Sensationssökande omfattade fyra artiklar som indikerade riskåtgärder under de senaste tolv månaderna: (1) kört i ett fordon av en vän som hade druckit alkohol; (2) åkte på en skateboard eller rullbana i trafiken utan hjälm och / eller (3) drog längs ett rörligt fordon; och (4) gått till farliga gator eller gränder under nattetid. Svaralternativ var ja / nej i alla fyra artiklarna.

2.3.3. Livsstilsegenskaper

Livsstilsegenskaper inkluderade variabler relaterade till sömn, näring, fysisk aktivitet och skolmötet. Sovvanor hänvisade till de senaste sex månaderna: (1) trött på morgonen före skolan: ≥3 dagar / vecka kontra ≤2 dagar / vecka; (2) tupplur efter skolan: ≥3 dagar / vecka kontra ≤2 dagar / vecka; och (4) sova: ≤6 timmar / natt kontra ≥7 timmar / natt. Näring hänvisade till de senaste sex månaderna: (4) som konsumerar frukt / grönsaker: ≤1 tid / vecka vs. ≥2 gånger / vecka; och (5) konsumerar frukost före skolan: ≤2 dagar / vecka kontra ≥3 dagar / vecka. Fysisk aktivitet som hänvisas till de senaste sex månaderna: (6) fysisk aktivitet under minst 60 minuter under de senaste två veckorna: ≤3 dagar kontra ≥4 dagar; och (7) spela sport regelbundet: ja / nej. Skolmötet omfattade en post om förekomsten av oavsiktliga frånvaro från skolan under de senaste två veckorna: ≥3 dagar kontra ≤2 dagar.

2.4. Flera riskbeteenden

Det totala antalet riskbeteenden beräknades till en enda variabel och kodades som ett ordinärt mått. Tillförlitlig halvdel (rsb = 0.742) och interna konsistensvärden (α = 0.714) -värden indikerade en acceptabel nivå av homogenitet mellan objekt i det multipla riskbeteende-måttet

3. Statistiska analyser

Förekomsten av individuella riskbeteenden bland internetanvändargrupper beräknades för män och kvinnor. För att fastställa statistiskt signifikanta skillnader mellan gruppproportioner utfördes flera parvisa jämförelser med användning av det tvåsidiga z-testet med Bonferroni-justerade p-värden. Utökade analyser genomfördes för att testa effekten av individuella riskbeteenden på MIU och PIU med användning av generaliserade linjära blandade modeller (GLMM) med en multinomial logit-länk och full uppskattning av maximal sannolikhet. I GLMM-analysen angavs MIU och PIU som utfallet mäter med AIU som referenskategori, individuella riskbeteenden angavs som fasta effekter på nivå 1, skola som slumpmässigt avskärning av nivå 2 och land som slumpmässigt avlyssningsnivå 3. Variantkomponenter användes som samvariationstrukturen för slumpmässiga effekter. För att studera köns måttande effekt anpassades interaktionstermer (kön * riskbeteende) till regressionsmodellen. Justeringar för ålder och kön tillämpades på relevanta GLMM-modeller. Oddsförhållanden (OR) med 95% konfidensintervall (CI) rapporteras för respektive modeller.
I analysen av flera riskbeteenden beräknades medelvärdet (M) och standardfelet för medelvärdet (SEM) för de olika Internetanvändargrupperna och stratifierades efter kön. Lådor och whisker-tomter användes för att illustrera dessa förhållanden. Statistisk signifikans mellan flera riskbeteenden och kön bedömdes med oberoende t-test. Envägsanalys av varians (ANOVA) med post-hoc parvisa jämförelser användes för att bedöma den statistiska signifikansen mellan flera riskbeteenden och Internetanvändargrupper.
En regressionsvariabeldiagram genomfördes för att belysa det linjära sambandet mellan antalet timmar online per dag och antalet riskbeteenden bland Internetanvändargrupper. Alla statistiska tester utfördes med IBM SPSS Statistics 23.0. Ett kritiskt värde på p <0.05 ansågs vara statistiskt signifikant.

4. Resultat

4.1. Egenskaper för studieprovet

Bland det ursprungliga SEYLE-urvalet på 12,395 464 ungdomar fanns det 3.7 (11,931%) försökspersoner på grund av saknade data om relevanta variabler. Detta gav ett urval av 43.4 56.6 skolbaserade ungdomar för den aktuella studien. Provet omfattade 5179% män och 6752% kvinnliga ungdomar (M / F: 14.89/0.87) med en medelålder på 14.3 ± 12.4 år. Förekomsten av MIU var signifikant högre bland kvinnor (5.2%) jämfört med män (3.9%), medan PIU var signifikant högre bland män (2%) än kvinnor (11928%) (χ² (19.92, 0.001) = XNUMX, p < XNUMX).

4.2. Prevalens av riskbeteenden

Tabell 1 beskriver förekomsten av riskbeteenden stratifierade av Internet-användargruppen. Den genomsnittliga prevalensgraden bland Internetanvändargrupper (AIU, MIU och PIU) var 16.4%, 24.3% och 26.5% för substansbruk (alkoholanvändning, olaglig narkotikamisbruk och tobaksbruk); 19.0%, 27.8% och 33.8% för sensationssökande beteenden (risktagande åtgärder); respektive 23.8%, 30.8% och 35.2% för livsstilsegenskaper (dåliga sömnvanor, dålig näring, fysisk inaktivitet och truancy). Prevalensen inom MIU- och PIU-grupper var signifikant högre jämfört med AIU-gruppen i alla riskkategorier (substansanvändning, sensationssökande och livsstilsegenskaper). Med undantag av fem underkategorier visade parvisa jämförelser att prevalensgraden inte signifikant skilde sig mellan MIU- och PIU-grupper.

Bord
Tabell 1. Prevalens av riskbeteenden bland ungdomar stratifierade efter kön och Internetanvändargrupp 1,2a-c.

4.3. Flera riskbeteenden

Resultaten visade att 89.9% av ungdomarna i PIU-gruppen rapporterade flera riskbeteenden. Envägs ANOVA-testet avslöjade att medelfrekvensen för flera riskbeteenden signifikant ökade från adaptiv användning (M = 4.89, SEM = 0.02) till felaktigt anpassad användning (M = 6.38, SEM = 0.07) till patologisk användning (M = 7.09, SEM = 0.12) (F (2, 11928) = 310.35, p <0.001). Denna trend var praktiskt taget ekvivalent för män och kvinnor (Figur 1).

Ijerph 13 00294 g001 1024
Figur 1. Box- och whiskersplott av multipla riskbeteenden bland adaptiva Internetanvändare (AIU), maladaptiva Internetanvändare (MIU) och patologiska Internetanvändare (PIU) stratifierade efter kön *.
Dessutom observerades ingen statistisk skillnad mellan kön i både MIU (t (1608) = 0.529, p = 0.597) och PIU (t (526) = 1.92, p = 0.054) (Tabell 2). Det bör emellertid noteras att p-värdet för PIU-gruppen var relativt nära att nå statistisk signifikans (p = 0.054). 

Bord
Tabell 2. Oberoende prover t-test av flera riskbeteenden och kön per internetanvändargrupp 1-3.
Den variabla regressionsdiagrammet uppvisade ett tydligt linjärt samband mellan antalet timmar online per dag och antalet riskbeteenden hos ungdomar. Denna trend var relativt identisk mellan Internetanvändargrupper (Figur 2). 

Ijerph 13 00294 g002 1024
Figur 2. Linjärt samband mellan antalet timmar online per dag och antalet riskbeteenden bland AIU-, MIU- och PIU-grupperna *.

4.4. GLMM-analys av sambandet mellan riskbeteenden, MIU och PIU

Riskbeteenden som var signifikant förknippade med MIU var också signifikant associerade med PIU, med undantag av tre underkategorier noterade inom risktagande åtgärder och truancy (Tabell 3). GLMM-analysen visade att alla underkategorier av dåliga sömnvanor ökade de relativa oddsen för PIU signifikant med effektstorlekar som sträckte sig från OR = 1.45 till OR = 2.17. Betydande samband observerades mellan risktagande åtgärder och PIU med effektstorlekar som sträckte sig från OR = 1.55 till OR = 1.73. Dessutom var oddsförhållanden för enskilda underkategorier inom tobaksanvändningen (OR = 1.41), dålig näring (OR = 1.41) och fysisk inaktivitet (OR = 1.39) domäner statistiskt signifikanta.

Bord
Tabell 3. Generaliserad linjär blandad modell (GLMM) för sambandet mellan individuella riskbeteenden, missanpassad användning och patologisk användning med en utökad analys av könsinteraktioner 1-4.

4.5. Könsinteraktioner

Analysen om könsinteraktioner visade att sambandet mellan risktagande åtgärder, dåliga sömnvanor och PIU var signifikant högre hos kvinnor, medan sambandet mellan truancy, dålig näring och PIU var signifikant högre hos män (Tabell 3).

5. Diskussion

5.1. Prevalens av riskbeteenden

Denna studie försökte undersöka förhållandet mellan PIU och riskbeteenden. Resultaten visade att förekomsten av riskbeteenden var signifikant högre bland patologiska användare jämfört med anpassningsbara användare med vissa variationer mellan könen. Den högsta prevalensen som observerats bland maladaptiva och patologiska användare var dåliga sömnvanor följt av tobaksbruk. Dessa uppskattningar är betydligt högre jämfört med prevalensnivån som rapporterats i studier som genomförts utanför EU, nämligen i Asien och Stillahavsområdet [53,54]. En trolig förklaring kan relateras till variationerna som observerades på ekologisk nivå (t.ex. penetrationsgraden) mellan dessa respektive regioner. Statistik visar att den europeiska regionen har den högsta Internetpenetrationsgraden (78%) över hela världen. Europeiska priser är mer än dubbelt jämfört med de som visas i Asien och Stillahavsområdet (36%) [55]. Den faktiska rollpenetrationsgraden har för att påverka prevalensen av PIU förblir tvetydig; således skulle framtida ansträngningar för att undersöka detta förhållande vara av stort värde för att förklara detta samband.

5.2. Användning av ämnen

Egenskaperna mellan riskbeteenden och beroendeframkallande beteenden är mycket överlappande. Detta är kanske tydligast med substansanvändning. Ämnesanvändning klassificeras ofta som ett riskbeteende; emellertid är det också ett antecedent av missbruk. Om beteenden med hög risk delar liknande underliggande mekanismer kan det att ha ett problembete sänka tröskeln för att utveckla andra problembeteenden. Denna påstående bekräftas av evidensbaserad forskning som visar en hög grad av sammankoppling mellan olika riskbeteenden [56]. Baserat på detta koncept är det troligt att anta att ungdomar med befintligt riskbeteende sannolikt har en högre risk för PIU jämfört med ungdomar utan riskbeteenden.

5.3. Sensations sökande

I linje med föregående forskning [57], resultaten visade att majoriteten av risktagande åtgärder inom den sensationssökande kategorin var signifikant förknippade med PIU. Sensationssökande är en personlighetsteg som är förknippad med brister i självreglering och uppskjuten tillfredsställelse [58]. Dessa attribut bland ungdomar är ofta relaterade till en perceptuell predisposition av en "optimistisk partisk effekt" där ungdomar är mer benägna att diskontera risker för sig själva, medan de överskattar risker för andra [59]. Ungdomar som uppvisar dessa avböjande egenskaper har troligen en högre benägenhet för beteendeproblem.

5.4. Livsstilsegenskaper

Dåliga sömnvanor visade sig vara de starkaste faktorerna relaterade till PIU. Detta beror sannolikt på en förskjutningseffekt av sömn för online-aktiviteter. Det finns vissa online-aktiviteter som uttryckligen får användare att stanna online längre än förväntat. En studie om massivt multiplayer-rollspel online (MMORPG) visade att användare lockas att stanna online längre för att följa den progressiva historien om deras onlinekaraktär [60]. Överdriven användning av sociala nätverkssajter har också dykt upp under de senaste åren, vilket anger både en ökning av tid som spenderas online och negativa korrelationer med verkliga sociala interaktioner [61,62]. Studier visar att ungdomar som överdrivet använder Internet har en benägenhet att utveckla sömnstörningar som ett resultat av deras långa tid online [63,64]. Den kroniska förskjutningen av sömn för onlineaktiviteter kan leda till sömnbrist, vilket är känt för att orsaka allvarliga negativa effekter på social, psykologisk och somatisk funktion.
Störningar i reglerade sömnmönster kan också vara en förmedlande faktor i förhållandet mellan truancy och missanpassad användning av Internet. Ungdomar som bedriver onlineaktiviteter i alltför hög grad kan riskera att störa deras naturliga sömnordning. Bevis visar att ökad sömnfördröjning och minskad snabb sömn i ögonrörelsen (REM-sömn) är signifikant associerad med överdriven internetanvändning [65], medan subjektiva insomnias och parasomnias är kopplade till truancy [66]. Sömnsjukdomar har uttalade effekter på funktionen på dagtid och akademisk prestation. Detta kan leda till att ungdomar blir ointresserade av skolan och därmed ökar risken för skolavslag och kronisk frånvaro [66].
Dålig näring och fysisk inaktivitet visade sig vara signifikant associerad med PIU. Ungdomar som tillbringar längre timmar på nätet navigerar potentiellt mot ohälsosamma livsmedel. Det antas att onlinespelare dricker högt koffeinhaltiga energidrycker och äter snacks med högt socker för att öka årvågenheten för onlinespel [67]. Därefter kan dessa faktorer göra online-spelare mer benägna att stillasittande beteende jämfört med icke-spelare. Dessutom finns det en stor lojalitet bland spelare, särskilt de som förskjuter mat, personlig hygien och fysisk aktivitet för att fortsätta med onlinespel [68]. Detta kan utgöra allvarliga hälsorisker och kan leda till allvarliga psykosomatiska symtom.

5.5. Flera riskbeteenden

Riskbeteenden konstaterades vara samtidigt i sin karaktär, där 89.9% av ungdomarna i PIU-gruppen rapporterade flera riskbeteenden. Dessa resultat är i linje med Jessors teori om problembeteende [69,70]. Teorin om problembeteende är en psykosocial modell som försöker förklara beteendemässiga resultat hos ungdomar. Det består av tre konceptuella system baserade på psykosociala komponenter: personlighetssystem, uppfattat miljösystem och beteendesystem. I det senare systemet tenderar riskbeteende-strukturer (t.ex. alkoholanvändning, tobaksanvändning, kriminellhet och avvikelse) att samkomma och klustera till ett allmänt "riskbeteende-syndrom" [71]. Enligt Jessor härrör dessa problembeteende ofta av ungdomars påstående om oberoende från föräldrar och samhällsinflytande.
Ungdomar som kämpar för autonomi kan delvis redovisa den betydande linjära trenden mellan timmar online per dag och flera riskbeteenden. Denna trend var jämförelsevis identisk för alla Internetanvändargrupper. Dessa resultat är mycket relevanta, eftersom de antyder att överdrivna timmar online i sig kan öka antalet riskbeteenden för alla ungdomar och inte bara de som diagnostiserats med PIU. Överdrivna timmar online kan också vara en moderatorisk faktor i förhållandet mellan PIU och riskbeteenden. Emellertid krävs ytterligare forskning som undersöker detta förhållande.

5.6. Könsinteraktioner

Analysen av könsinteraktioner visade att signifikanta samband som observerades mellan riskbeteenden och PIU fördelades jämnt mellan män och kvinnor. Detta är något motsägelsefullt med tidigare forskning, som vanligtvis visar att PIU och riskbeteenden är specifika för det manliga könet. Detta könsskifte kan vara en indikation på att könsskillnaden för riskbeteenden kan minska bland europeiska ungdomar.
Ur ett annat perspektiv kan förhållandet mellan kön och riskbeteenden förmedlas av en tredje faktor, till exempel psykopatologi. I en stor, könsbaserad studie av ungdomar (n = 56,086) i åldern 12 – 18 år, beräknades prevalensnivån för PIU vara 2.8% bland det totala provet med signifikant högre frekvenser som observerades hos män (3.6%) jämfört med kvinnor ( 1.9%) [72]. Den respektive studien noterade att kvinnor med emotionella problem, såsom subjektiv olycka eller depressiva symtom, har en betydligt högre PIU-prevalens än män med liknande känslomässiga symtom. Könsbaserade studier som granskar effekten av könsinteraktioner på PIU är en viktig förutsättning för den framtida riktningen för PIU-forskning.

5.7. Griffiths 'Components Model

Griffiths 'komponentmodell för missbruk [30] antar att beteendeavhängighet (t.ex. PIU) och substansrelaterade beroende fortskrider via liknande biopsykosociala processer och delar många fysiognomier. Beroendekriterierna för respektive sex kärnkomponenter i denna modell är (1) salience, (2) humörmodifiering, (3) tolerans, (4) tillbakadragande, (5) konflikt och (6) återfall. Kuss et al. [73] bedömde komponentmodellen för beroende i två oberoende prover (n = 3105 och n = 2257). Resultaten visade att komponentmodellen för PIU passar uppgifterna mycket bra i båda proverna.
I den aktuella studien användes YDQ-åtgärden för att bedöma och upptäcka ungdomar med missbildande och patologiska risker relaterade till deras internetanvändning och onlinebeteenden. Eftersom YDQ-mätningen omfattar alla sex beroendekriterier som anges i Griffiths komponentmodell, stöds giltigheten av resultaten som rapporteras i denna studie av detta teoretiska ramverk.

5.8. Styrkor och begränsningar

Det stora, representativa, gränsöverskridande urvalet är en stor styrka i denna studie. Den homogena metodiken och standardiserade förfaranden som används i alla länder ökar giltigheten, tillförlitligheten och jämförbarheten hos uppgifterna. Enligt vår kunskap var det geografiska området i Europa det största som någonsin använts för att göra en studie om PIU och riskbeteenden.
Det finns också några begränsningar i studien. Självrapporterade data är benägna att återkalla och sociala önskvärda fördomar, som troligen kommer att variera mellan länder och kulturer. Tvärsnittsdesignen kan inte redovisa temporära förhållanden, varför orsakssamband inte kunde fastställas. I GSHS-åtgärden representerar underkategorierna av riskåtgärder bara en del av sensationssökande beteenden; därför bör försiktighet användas vid tolkningen av resultaten.

6. Slutsatser

En signifikant ökande prevalensgrad mellan AIU-, MIU- och PIU-grupper observerades i alla riskkategorier (substansanvändning, sensationssökande och livsstilsegenskaper). Ungdomar som rapporterade dåliga sömnvanor och riskåtgärder visade de starkaste föreningarna med PIU, följt av tobaksbruk, dålig näring och fysisk inaktivitet. Den signifikanta föreningen som observerats mellan PIU och riskbeteenden, i kombination med en hög frekvens av co-förekomst, understryker vikten av att överväga PIU vid screening, behandling eller förebyggande av högriskbeteenden hos ungdomar.
Bland ungdomar i PIU-gruppen karakteriserades 89.9% som att ha flera riskbeteenden. Därför bör ansträngningar vara inriktade på ungdomar som alltför använder Internet, eftersom en betydande linjär trend observerades mellan timmar online per dag och flera riskbeteenden. Denna trend var liknande för alla Internetanvändargrupper som indikerar att överdrivna timmar online i sig är en viktig faktor för riskbeteenden. Dessa fynd måste replikeras och undersökas ytterligare innan de fastställer deras teoretiska konsekvenser.

Erkännanden

SEYLE-projektet stöddes genom samordningstema 1 (hälsa) i Europeiska unionens sjunde ramprogram (FP7), bidragsavtal nr HEALTH-F2-2009-223091. Författarna var oberoende av finansierarna i alla aspekter av studiens design, dataanalys och skrivning av detta manuskript. Projektledare och samordnare för SEYLE-projektet är professor i psykiatri och självmord, Danuta Wasserman, Karolinska Institutet (KI), chef för National Center for Suicide Research and Prevention of Mental Ill-Health and Suicide (NASP), vid KI, Stockholm, Sverige. Övriga medlemmar i verkställande kommittén är universitetslektor Vladimir Carli, National Center for Suicide Research and Prevention of Mental Ill-Health (NASP), Karolinska Institute, Stockholm, Sweden; Christina WH Hoven och antropolog Camilla Wasserman, Institutionen för barn- och ungdomspsykiatri, New York State Psychiatric Institute, Columbia University, New York, USA; och Marco Sarchiapone, Institutionen för hälsovetenskaper, University of Molise, Campobasso, Italien. SEYLE Consortium består av centra i 12 europeiska länder. Platsledare för respektive centrum och land är: Danuta Wasserman (NASP, Karolinska institutet, Sverige, samordningscentrum), Christian Haring (universitetet för medicinsk informationsteknik, Österrike), Airi Varnik (estniska svenska mentala hälso- och självmordsinstitutet, Estland), Jean-Pierre Kahn (University of Lorraine, Nancy, Frankrike), Romuald Brunner (University of Heidelberg, Tyskland), Judit Balazs (Vadaskert Child and Adolescent Psychiatric Hospital, Ungern), Paul Corcoran (National Suicide Research Foundation, Irland), Alan Apter (Schneider Children's Medical Center of Israel, Tel Aviv University, Tel Aviv, Israel), Marco Sarchiapone (University of Molise, Italy), Doina Cosman (Iuliu Hatieganu University of Medicine and Pharmacy, Romania), Vita Postuvan (University of Primorska, Slovenia ) och Julio Bobes (University of Oviedo, Spanien). Stöd för "Etiska frågor i forskning med minderåriga och andra utsatta grupper" erhölls genom bidrag från Botnar Foundation, Basel, till professor i etik, Stella Reiter-Theil, psykiatrisk klinik vid Basel University, som fungerade som oberoende etisk konsult till SEYLE-projektet.

Författarbidrag

Tony Durkee är den första och motsvarande författaren som utvecklade studiedesignen, utförde de statistiska analyserna och kritiskt reviderade alla manuskriptets faser. Vladimir Carli, Birgitta Floderus och Danuta Wasserman deltog i studieutformningen och gjorde kritiska revisioner av manuskriptet. Camilla Wasserman, Christina W. Hoven, Michael Kaess och Peeter Värnik höll konsultationer och gjorde kritiska revisioner av manuskriptet. Marco Sarchiapone, Alan Apter, Judit A. Balazs, Julio Bobes, Romuald Brunner, Paul Corcoran, Doina Cosman, Christian Haring, Jean-Pierre Kahn och Vita Postuvan är huvudutredare för SEYLE-projektet i sina respektive länder och bidragit till kritiska revisioner av manuskriptet. Bogdan Nemes och Pilar A. Saiz är projektledare för SEYLE-projektet i sina respektive länder och deltog i viktiga revideringar av manuskriptet.

Intressekonflikt

Författarna förklarar ingen intressekonflikt.

Förkortningar

Följande förkortningar används i detta manuskript: 

SEYLE
Rädda och stärka unga liv i Europa
YRBSS
Ungdomars riskbeteendeövervakningssystem
GSHS
Global skolbaserad studenthälsokartläggning
YDQ
Youngs diagnostiska frågeformulär
GLMM
Generaliserade linjära blandade modeller
ANOVA
Envägsanalys av varians
PIU
Patologisk Internetanvändning
MIU
Maladaptiv Internetanvändning
AIU
Anpassningsbar Internetanvändning
CI
Förtroendeintervaller
SEM
Medelfel
M
Betyda

Referensprojekt

  1. Moshman, D. Kognitiv utveckling bortom barndomen. I Handbook of Child Psychology, 5th ed .; Kuhn, D., Damon, W., Siegler, RS, Eds .; Wiley: New York, NY, USA, 1998; Volym 2, sid. 947 – 978. [Google Scholar]
  2. Choudhury, S.; Blakemore, SJ; Charman, T. Social kognitiv utveckling under tonåren. Soc. Cogn. Påverka. Neurosci. 2006, 1, 165-174. [Google Scholar] [CrossRef] [PubMed]
  3. Eccles, JS; Wigfield, A .; Byrnes, J. Kognitiv utveckling i tonåren. I Handbook of Psychology: Developmental Psychology; Lerner, RM, Easterbrooks, MA, Mistry, J., Eds .; Wiley: Hoboken, NJ, USA, 2003; Volym 6, sid. 325 – 350. [Google Scholar]
  4. Subrahmanyam, K .; Greenfield, P .; Kraut, R.; Gross, E. Påverkan av datoranvändning på barns och ungdomars utveckling. J. Appl. Dev. Psychol. 2001, 22, 7-30. [Google Scholar] [CrossRef]
  5. Ellison, NB; Steinfield, C.; Lampe, C. Fördelarna med Facebook-vänner: Socialt kapital och studenternas användning av webbplatser för sociala nätverk online. J. Comput. Med. Commun. 2007, 12, 1143-1168. [Google Scholar] [CrossRef]
  6. Steinfield, C.; Ellison, NB; Lampe, C. Socialt kapital, självkänsla och användning av webbplatser för sociala nätverk online: En longitudinell analys. J. Appl. Dev. Psychol. 2008, 29, 434-445. [Google Scholar] [CrossRef]
  7. Tapscott, D. Growing up Digital: The Rise of the Net Generation; McGraw-Hill utbildning: New York, NY, USA, 2008; s. 384. [Google Scholar]
  8. Kraut, R.; Patterson, M.; Lundmark, V .; Kiesler, S.; Mukopadhyay, T .; Scherlis, W. Internetparadox. En social teknik som minskar socialt engagemang och psykologiskt välbefinnande? Am. Psychol. 1998, 53, 1017-1031. [Google Scholar] [CrossRef] [PubMed]
  9. Kraut, R.; Kiesler, S.; Boneva, B .; Cummings, J .; Helgeson, V .; Crawford, A. Internetparadox omprövat. J. Soc. frågor 2002, 58, 49-74. [Google Scholar] [CrossRef]
  10. Nie, NH; Hillygus, DS; Erbring, L. Internetanvändning, interpersonella relationer och sällskaplighet: En tidsdagbokstudie. På Internet i vardagen; Wellman, B., Haythornthwaite, C., Eds .; Blackwell Publishers Ltd: Oxford, Storbritannien, 2002; sid. 213 – 243. [Google Scholar]
  11. Nalwa, K .; Anand, AP Internetberoende hos studenter: En orsak till oro. Cyberpsychol. Behav. 2003, 6, 653-656. [Google Scholar] [CrossRef] [PubMed]
  12. Akhter, N. Förhållande mellan internetberoende och akademiska prestationer bland universitetsutbildade studenter. Edu. Res. Varv. 2013, 8, 1793. [Google Scholar]
  13. Gür, K .; Yurt, S.; Bulduk, S.; Atagöz, S. Internetberoende och fysiska och psykosociala beteendeproblem bland gymnasieelever på landsbygden. Nurs. Hälsovetenskap. 2015, 17, 331-338. [Google Scholar] [CrossRef] [PubMed]
  14. Peltzer, K .; Pengpid, S.; Apidechkul, T. Tung internetanvändning och dess föreningar med hälsorisk och hälsofrämjande beteende bland thailändska universitetsstudenter. Int. J. Adolesc. Med. Hälsa 2014, 26, 187-194. [Google Scholar] [CrossRef] [PubMed]
  15. Punamaki, RL; Wallenius, M.; Nygard, CH; Saarni, L .; Rimpela, A. Användning av informations- och kommunikationsteknik (IKT) och upplevd hälsa i tonåren: sömnvanor och trötthet i vakttid. J. Adolesc. 2007, 30, 569-585. [Google Scholar] [CrossRef] [PubMed]
  16. Straker, L .; Pollock, C .; Maslen, B. Principer för klok användning av datorer av barn. Ergonomi 2009, 52, 1386-1401. [Google Scholar] [CrossRef] [PubMed]
  17. Shaw, M .; Svart, DW Internet-beroende: Definition, bedömning, epidemiologi och klinisk hantering. CNS-läkemedel 2008, 22, 353-365. [Google Scholar] [CrossRef] [PubMed]
  18. Young, K. Internetberoende: Framväxten av en ny klinisk störning. CyberPsychol. Behav. 1998, 1, 237-244. [Google Scholar] [CrossRef]
  19. American Psychiatric Association (APA). Diagnostisk och Statisiskt Manual av Mentalsjukdomar. Tillgänglig online: http://www.dsm5.org (öppnas den 2 februari 2016).
  20. Petry, NM; O'Brien, CP Internet gaming störning och DSM-5. Missbruk 2013, 108, 1186-1187. [Google Scholar] [CrossRef] [PubMed]
  21. Sussman, S.; Lisha, N .; Griffiths, M. Förekomsten av beroenden: Ett problem av majoriteten eller minoriteten? Eval. Hälsa professor 2011, 34, 3-56. [Google Scholar] [CrossRef] [PubMed]
  22. Lee, HW; Choi, JS; Shin, YC; Lee, JY; Jung, HY; Kwon, JS Impulsivitet vid internetberoende: En jämförelse med patologiskt spel. Cyberpsychol. Behav. Soc. End. 2012, 15, 373-377. [Google Scholar] [CrossRef] [PubMed]
  23. 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 spel? Missbrukare. Behav. 2014, 39, 1052-1056. [Google Scholar] [CrossRef] [PubMed]
  24. Sajeev Kumar, P .; Prasad, N .; Raj, Z .; Abraham, A. Internet-missbruk och ämnesanvändningsproblem hos tonåringar - en tvärsnittsstudie. J. Int. Med. Buckla. 2015, 2, 172-179. [Google Scholar]
  25. Brezing, C.; Derevensky, JL; Potenza, MN Ej beroendeframkallande beteende hos ungdomar: Patologiskt spel och problematisk internetanvändning. Barn Adoles. Psychiatr. Clin. N. Am. 2010, 19, 625-641. [Google Scholar] [CrossRef] [PubMed]
  26. Goldstein, RZ; Volkow, ND Dysfunktion av prefrontal cortex i missbruk: Neuroimaging fynd och kliniska konsekvenser. Nat. Rev. Neurosci. 2011, 12, 652-669. [Google Scholar] [CrossRef] [PubMed]
  27. Montag, C.; Kirsch, P .; Sauer, C.; Markett, S.; Reuter, M. Chrna4-genens roll i internetberoende: En fallkontrollstudie. J. Addict. Med. 2012, 6, 191-195. [Google Scholar] [CrossRef] [PubMed]
  28. Kormas, G .; Critselis, E .; Janikian, M.; Kafetzis, D.; Tsitsika, A. Riskfaktorer och psykosociala egenskaper för potentiellt problematisk och problematisk internetanvändning bland ungdomar: En tvärsnittsstudie. BMC folkhälsa 2011, 11, 595. [Google Scholar] [CrossRef] [PubMed]
  29. Zhou, Y .; Lin, F.-C .; Du, Y.-S.; Zhao, Z.-M .; Xu, J.-R .; Lei, H. Grey matter abnormalities in internet addiction: A voxel-based morphometry study. Eur. J. Radiol. 2011, 79, 92-95. [Google Scholar] [CrossRef] [PubMed]
  30. Griffiths, M. En "komponenter" -modell för beroende inom en biopsykosocial ram. J. Subst. Använda sig av 2005, 10, 191-197. [Google Scholar] [CrossRef]
  31. Cheng, C.; Li, AY Internetberoende prevalens och kvalitet i (verkligt) liv: En metaanalys av 31 nationer över sju världsområden. Cyberpsychol. Behav. Soc. End. 2014, 17, 755-760. [Google Scholar] [CrossRef] [PubMed]
  32. Blinka, L .; Škařupová, K .; Ševčíková, A .; Wölfling, K .; Müller, KW; Dreier, M. Överdriven internetanvändning hos europeiska ungdomar: Vad avgör skillnader i svårighetsgrad? Int. J. Folkhälsa 2015, 60, 249-256. [Google Scholar] [CrossRef] [PubMed]
  33. Tsitsika, A .; Janikian, M.; Schoenmakers, TM; Tzavela, EC; Ólafsson, K .; Wójcik, S.; Florian Macarie, G .; Tzavara, C.; Richardson, C. Internet beroendeframkallande beteende i tonåren: En tvärsnittsstudie i sju europeiska länder. Cyberpsychol. Behav. Soc. End. 2014, 17, 528-535. [Google Scholar] [CrossRef] [PubMed]
  34. Durkee, T .; Kaess, M.; Carli, V.; Parzer, P .; Wasserman, C.; Floderus, B .; Apter, A .; Balazs, J .; Barzilay, S.; Bobes, J .; et al. Prevalens av patologisk internetanvändning bland ungdomar i Europa: Demografiska och sociala faktorer. Missbruk 2012, 107, 2210-2222. [Google Scholar] [CrossRef] [PubMed]
  35. 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]
  36. Carli, V.; Durkee, T .; Wasserman, D.; Hadlaczky, G .; Despalins, R.; Kramarz, E .; Wasserman, C.; Sarchiapone, M.; Hoven, CW; Brunner, R.; et al. Föreningen mellan patologisk internetanvändning och komorbid psykopatologi: En systematisk översyn. psykopatologi 2013, 46, 1-13. [Google Scholar] [CrossRef] [PubMed]
  37. Ho, RC; Zhang, MW; Tsang, TY; Toh, AH; Pan, F.; Lu, Y .; Cheng, C.; Yip, PS; Lam, LT; Lai, C.-M .; et al. Föreningen mellan internetberoende och psykiatrisk ko-morbiditet: En metaanalys. BMC-psykiatri 2014, 14, 1-10. [Google Scholar] [CrossRef] [PubMed]
  38. Kaess, M.; Durkee, T .; Brunner, R.; Carli, V.; Parzer, P .; Wasserman, C.; Sarchiapone, M.; Hoven, C .; Apter, A .; Balazs, J .; et al. Patologisk internetanvändning bland europeiska ungdomar: Psykopatologi och självförstörande beteenden. Eur. Barn Adolesc. Psykiatri 2014, 23, 1093-1102. [Google Scholar] [CrossRef] [PubMed]
  39. Pontes, HM; Kuss, DJ; Griffiths, MD Den kliniska psykologin för internetberoende: En översikt av dess konceptualisering, prevalens, neuronala processer och implikationer för behandlingen. Neurosci. neuro~~POS=TRUNC 2015, 4, 11-23. [Google Scholar]
  40. Kipping, RR; Campbell, RM; MacArthur, GJ; Gunnell, DJ; Hickman, M. Flera riskbeteenden i tonåren. J. Folkhälsa 2012, 34, i1-i2. [Google Scholar] [CrossRef] [PubMed]
  41. Dodd, LJ; Al-Nakeeb, Y .; Nevill, A .; Forshaw, MJ Livsstilsriskfaktorer för studenter: En klusteranalytisk strategi. Föregående. Med. 2010, 51, 73-77. [Google Scholar] [CrossRef] [PubMed]
  42. Berk, M.; Sarris, J .; Coulson, C.; Jacka, F. Livsstilshantering av unipolär depression. Acta Psychiatr. Scand. 2013, 127, 38-54. [Google Scholar] [CrossRef] [PubMed]
  43. Prochaska, JJ; Spring, B .; Nigg, CR Flera hälsobeteenden förändrar forskning: En introduktion och översikt. Föregående. Med. 2008, 46, 181-188. [Google Scholar] [CrossRef] [PubMed]
  44. Carli, V.; Hoven, CW; Wasserman, C.; Chiesa, F.; Guffanti, G .; Sarchiapone, M.; Apter, A .; Balazs, J .; Brunner, R.; Corcoran, P. En nyidentifierad grupp av ungdomar med ”osynlig” risk för psykopatologi och självmordsbeteende: Resultat från SEYLE-studien. Världspsykiatri 2014, 13, 78-86. [Google Scholar] [CrossRef] [PubMed]
  45. Kann, L .; Kinchen, S.; Shanklin, SL; Flint, KH; Kawkins, J .; Harris, WA; Lowry, R.; Olsen, E .; McManus, T .; Chyen, D. Ungdomsövervakning av riskbeteenden - USA, 2013. MMWR Surveill. Summ. 2014, 63, 1-168. [Google Scholar]
  46. Wasserman, D.; Carli, V.; Wasserman, C.; Apter, A .; Balazs, J .; Bobes, J .; Bracale, R.; Brunner, R.; Bursztein-Lipsicas, C.; Corcoran, P .; et al. Rädda och stärka unga liv i Europa (SEYLE): En randomiserad kontrollerad prövning. BMC folkhälsa 2010, 10, 192. [Google Scholar] [CrossRef] [PubMed]
  47. Carli, V.; Wasserman, C.; Wasserman, D.; Sarchiapone, M.; Apter, A .; Balazs, J .; Bobes, J .; Brunner, R.; Corcoran, P .; Cosman, D. De räddande och stärkande unga livet i Europa (SEYLE) randomiserad kontrollerad studie (RCT): Metodologiska problem och deltagarnas egenskaper. BMC folkhälsa 2013, 13, 479. [Google Scholar] [CrossRef] [PubMed]
  48. Young, KS Fångad i nätet: Hur man känner igen tecknen på internetmissbruk - och en vinnande strategi för återhämtning; J. Wiley: New York, NY, USA, 1998; sid. 248. [Google Scholar]
  49. Dowling, NA; Quirk, KL Screening för internetberoende: skiljer de föreslagna diagnostiska kriterierna normalt från beroende internetanvändning? Cyberpsychol. Behav. 2009, 12, 21-27. [Google Scholar] [CrossRef] [PubMed]
  50. Li, W .; O'Brien, JE; Snyder, SM; Howard, MO Diagnostiska kriterier för problematisk internetanvändning bland amerikanska universitetsstudenter: En utvärdering av blandade metoder. PLOS EN 2016, 11, e0145981. [Google Scholar] [CrossRef] [PubMed]
  51. Pontes, HM; Király, O .; Demetrovics, Z .; Griffiths, MD Konceptualisering och mätning av dsm-5 internet-spelstörning: Utvecklingen av IGD-20-testet. PLOS EN 2014, 9, e110137. [Google Scholar] [CrossRef] [PubMed]
  52. Världshälsoorganisationen (WHO). Global School-Based Student Health Survey (GSHS). Tillgänglig online: http://www.who.int/chp/gshs/en/ (nås på 12 December 2015).
  53. Choi, K .; Son, H. Park, M .; Han, J .; Kim, K .; Lee, B .; Gwak, H. Internetanvändning och överdriven sömnighet på dagen hos ungdomar. Psykiatri Clin. Neurosci. 2009, 63, 455-462. [Google Scholar] [CrossRef] [PubMed]
  54. Evren, C.; Dalbudak, E .; Evren, B .; Demirci, AC Hög risk för internetberoende och dess relation till livstidsanvändning, psykologiska och beteendeproblem bland ungdomar i 10th grade. Psychiatria Danub. 2014, 26, 330-339. [Google Scholar]
  55. Internationell telekommunikationsunion (ITU). IT-fakta och siffror. Tillgänglig online: http://www.itu.int/en (öppnas den 8 augusti 2015).
  56. De La Haye, K .; D'Amico, EJ; Miles, JN; Ewing, B .; Tucker, JS Covariance bland flera hälsoriskbeteenden hos ungdomar. PLOS EN 2014, 9, e98141. [Google Scholar]
  57. Cao, F.; Su, L .; Liu, T .; Gao, X. Förhållandet mellan impulsivitet och internetberoende i ett urval av kinesiska ungdomar. Eur. Psykiatri: J. Assoc. Eur. Psychiatr. 2007, 22, 466-471. [Google Scholar] [CrossRef] [PubMed]
  58. Slater, MD Alienation, aggression och sensation som förutsägare för ungdomars användning av våldsam film, dator och webbplatsinnehåll. J. Commun. 2003, 53, 105-121. [Google Scholar] [CrossRef]
  59. Kim, HK; Davis, KE Mot en omfattande teori om problematisk internetanvändning: Utvärdera rollen för självkänsla, ångest, flöde och internetbedömningens egenvärdighet. Comput. Brum. Behav. 2009, 25, 490-500. [Google Scholar] [CrossRef]
  60. Charlton, JP; Danforth, ID Utmärker beroende och stort engagemang i samband med online-spel. Comput. Brum. Behav. 2007, 23, 1531-1548. [Google Scholar] [CrossRef]
  61. 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]
  62. Meena, PS; Mittal, PK; Solanki, RK Problematisk användning av sociala nätverkssajter bland tonåringar i skolan. Ind. Psykiatri J. 2012, 21, 94. [Google Scholar] [CrossRef] [PubMed]
  63. Li, W .; O'Brien, JE; Snyder, SM; Howard, MO Egenskaper för internetberoende / patologisk internetanvändning hos amerikanska universitetsstudenter: En kvalitativ metodundersökning. PLOS EN 2015, 10, e0117372. [Google Scholar] [CrossRef] [PubMed]
  64. Lam, L. Internet-spelberoende, problematisk användning av internet och sömnproblem: En systematisk översyn. Curr. Psychiatry Rep. 2014, 16, 1-9. [Google Scholar] [CrossRef] [PubMed]
  65. Cain, N .; Gradisar, M. Elektronisk mediaanvändning och sömn hos skolåldrade barn och ungdomar: En översyn. Sleep Med. 2010, 11, 735-742. [Google Scholar] [CrossRef] [PubMed]
  66. Hochadel, J .; Frolich, J .; Wiater, A .; Lehmkuhl, G .; Fricke-Oerkermann, L. Prevalens av sömnproblem och förhållandet mellan sömnproblem och skolvägringsbeteende hos skolåldrade barn i barns och förälders betyg. psykopatologi 2014, 47, 119-126. [Google Scholar] [CrossRef] [PubMed]
  67. Lin, SSJ; Tsai, CC Sensationssökande och internetberoende av taiwanesiska ungdomsår i gymnasiet. Comput. Brum. Behav. 2002, 18, 411-426. [Google Scholar] [CrossRef]
  68. Hsi-Peng, L .; Shu-ming, W. Internetberoende i online-lojalitet: En utforskande studie. Internet Res. 2008, 18, 499-519. [Google Scholar]
  69. Jessor, R.; Jessor, SL Problembeteende och psykosocial utveckling: En longitudinell studie av ungdomar; Academic Press: Cambridge, MA, USA, 1977; s. 281. [Google Scholar]
  70. Jessor, R. Problembeteende teori, psykosocial utveckling och tonåring problem dricka. Br. J. Addict. 1987, 82, 331-342. [Google Scholar] [CrossRef] [PubMed]
  71. Williams, JH; Ayers, CD; Abbott, RD; Hawkins, JD; Catalano, RF Strukturell ekvivalens av engagemang i problembeteende hos ungdomar i rasgrupper med multipel gruppbekräftande faktoranalys. Soc. Arbeta Res. 1996, 20, 168-177. [Google Scholar]
  72. Ha, Y.-M .; Hwang, WJ Könsskillnader i internetberoende i samband med psykologiska hälsoindikatorer bland ungdomar som använder en nationell webbaserad undersökning. Int. J. Ment. Health Addict. 2014, 12, 660-669. [Google Scholar] [CrossRef]
  73. Kuss, DJ; Korter, GW; van Rooij, AJ; Griffiths, MD; Schoenmakers, TM Bedömning av internetberoende med hjälp av modellen med paresimonious internet addiction-komponenter - En preliminär studie. Int. J. Ment. Health Addict. 2014, 12, 351-366. [Google Scholar] [CrossRef]