Prediction of Problematic Smartphone Use: A Machine Learning Approach
Lee J, Kim W
International journal of environmental research and public health · 11 citas
Cómo se estudió
- Diseño
- Estudio transversal (clasificado por nuestro filtro de IA)
- Estudiado en
- Personas
- Resultado principal
- Marcadores de salud y funcionamiento
Quién lo pagó
- Financiación
- Financiación independiente
Según la declaración de financiación del texto completo.
Publicación
- Publicado
- 2021-06-15 · Int J Environ Res Public Health · vol. 18 · número 12 · pág. 6458
- Editorial
- Multidisciplinary Digital Publishing Institute
- Citado
- 38 citas · más que el 94% de estudios similares · 4.3× el promedio de su campo
- Impacto
- Entre el 10 % más citado de su campo
- Referencias
- 42 trabajos
- Acceso
- Acceso abierto (revista) · CC-BY
- Áreas de investigación
- Impact of Technology on Adolescents · Digital Mental Health Interventions · Mental Health via Writing
- Palabras clave
- smartphone addiction, addiction prediction, Smartphone Addiction Scale, random forest, XGBoost, decision tree, user characteristics
- MeSH
- republic of korea, machine learning, smartphone, cell phone, internet addiction disorder
2 autores
- Juyeong Lee🇰🇷Ulsan National Institute of Science and Technology
- Woosung Kim🇰🇷 · autor de correspondenciaKonkuk University
Resumen
El texto original del estudio, en el idioma en que se publicó.
While smartphone addiction is becoming a recent concern with the exponential increase in the number of smartphone users, it is difficult to predict problematic smartphone users based on the usage characteristics of individual smartphone users. This study aimed to explore the possibility of predicting smartphone addiction level with mobile phone log data. By Korea Internet and Security Agency (KISA), 29,712 respondents completed the Smartphone Addiction Scale developed in 2017. Integrating basic personal characteristics and smartphone usage information, the data were analyzed using machine learning techniques (decision tree, random forest, and Xgboost) in addition to hypothesis tests. In total, 27 variables were employed to predict smartphone addiction and the accuracy rate was the highest for the random forest (82.59%) model and the lowest for the decision tree model (74.56%). The results showed that users' general information, such as age group, job classification, and sex did not contribute much to predicting their smartphone addiction level. The study can provide directions for future work on the detection of smartphone addiction with log-data, which suggests that more detailed smartphone's log-data will enable more accurate results.
Resumen vía Europe PMC. Los derechos de autor siguen siendo de los autores o la editorial (CC BY).
Confianza de la comunidad
Cargando…
¿Cuánto confías en los hallazgos de este estudio?
Comentarios
¿Algo está mal aquí?
Señala este estudio si su información, etiquetas o financiación parecen incorrectas. Un editor revisa cada señalamiento.
Información educativa sobre investigación publicada. No es consejo médico ni una recomendación para empezar o dejar nada.