PLoS One. 2017 Jun 21; 12 (6): e0177629. doi: 10.1371 / journal.pone.0177629.
Choi J1, Rho MJ2, Kim Y3, Yook IH2, Yu H1, Kim DJ4, Choi IY2.
Abstrakt
Överdriven användning av smartphone orsakar personliga och sociala problem. För att lösa detta problem försökte vi härleda användningsmönster som var direkt korrelerade med smartphone-beroende baserat på användningsdata. Denna studie försökte klassificera smartphoneberoende med hjälp av en datadriven förutsägelsealgoritm. Vi utvecklade en mobilapplikation för att samla in användardata för smartphone. Totalt samlades 41,683-loggar av 48 smarttelefonanvändare från mars 8, 2015 till januari 8, 2016. Deltagarna klassificerades i kontrollgruppen (SUC) eller beroendegruppen (SUD) med hjälp av Korean Smartphone Addiction Proneness Scale for Adults (S-Scale) och en ansikte-till-ansikte offline intervju av en psykiater och en klinisk psykolog (SUC) = 23 och SUD = 25). Vi härledde användningsmönster med hjälp av tensorfaktorisering och fann följande sex optimala användningsmönster: 1) sociala nätverkstjänster (SNS) under dagtid, 2) webbsurfing, 3) SNS på natten, 4) mobil shopping, 5) underhållning och 6) spel på natten. Medlemsvektorerna för de sex mönstren uppnådde en betydligt bättre förutsägelsesprestanda än rådata. För alla mönster var användningstiderna för SUD mycket längre än SUC: s. Av våra slutsatser drog vi slutsatsen att användningsmönster och medlemsvektorer var effektiva verktyg för att bedöma och förutsäga smarttelefonberoende och skulle kunna ge en interventionsriktlinje för att förutsäga och behandla smarttelefonberoende baserat på användningsdata.
PMID: 28636614
PMCID: PMC5479529
DOI: 10.1371 / journal.pone.0177629
;
