追踪和限制智能手机使用的智能手机工具的流行度和感知有效性评估:调查研究和机器学习分析gydF4y2Ba

简介gydF4y2Ba

背景gydF4y2Ba

对互联网相关技术的心理弊端的认识已有20年之久。在此期间积累了大量的流行病学、现象学和生物学研究，导致了gydF4y2Ba游戏障碍gydF4y2Ba《国际疾病分类》第11版[gydF4y2Ba1gydF4y2Ba]，以及gydF4y2Ba网络游戏障碍gydF4y2Ba载于《精神疾病诊断及统计手册》(DSM)第五版附录内[gydF4y2Ba2gydF4y2Ba］．尽管该领域在识别与互联网相关的精神病理方面可能已经变得更好，并且在某些情况下，为其贴上公认的诊断标签，但一致的治疗指南仍然难以达成。gydF4y2Ba

常规治疗gydF4y2Ba

精神药理学干预的灵感来自与有问题的互联网使用的比较，包括强迫症、物质使用障碍、行为成瘾和注意缺陷多动障碍[gydF4y2Ba3.gydF4y2Ba］．然而，对血清素再吸收抑制剂的研究相对有限[gydF4y2Ba4gydF4y2Ba， mu受体拮抗剂[gydF4y2Ba5gydF4y2Ba]，以及兴奋剂[gydF4y2Ba6gydF4y2Ba]并没有拿出可靠的证据来支持它们的广泛使用。心理治疗干预——个体、群体和住院——已经得到了更多的研究关注[gydF4y2Ba7gydF4y2Ba，并拥有更大的证据基础，特别是支持认知行为疗法。然而，研究方法的差异，样本的非代表性，和其他研究的局限性排除了强有力的结论和建议更广泛的采用。gydF4y2Ba

利用科技对抗自身gydF4y2Ba

在这种相对的治疗真空中，与此同时，社会和文化越来越认识到过度依赖智能手机对个人健康的风险，一种新的帮助方式出现了，并迅速在技术用户和开发人员中站稳了脚，而临床医生和心理健康专家对这种帮助方式的发展和设计几乎没有直接贡献。被描述为"利用技术对抗自身" [gydF4y2Ba8gydF4y2Ba，它涉及两项基本功能:智能手机内置的功能，可以随意激活，以监控和限制使用;还有一些应用程序(被称为“让我们摆脱应用程序的应用程序”)可以从第三方下载，用于同样的目的。就像gydF4y2Ba老gydF4y2Ba精神药理学和心理治疗干预探索了有问题的互联网使用，目标是通过工具跟踪和减少过度或有问题的智能手机使用，如果证明成功，可能具有一些独特的优势，比传统干预，包括可扩展性、成本效益、减少耻辱、方便和无副作用[gydF4y2Ba8gydF4y2Ba］．与移动治疗相结合，这些干预措施还可能受益于远程精神病学领域在COVID-19大流行期间在患者和提供者中获得的巨大接受度，进一步推动其在未来几年的增长。gydF4y2Ba

这项研究评估了内置智能手机工具的使用情况，这些工具旨在监控和针对美国用户中有问题或过度使用智能手机的用户。这类工具的例子包括屏幕时间(跟踪和量化使用)、灰度(使应用程序和提醒不那么明显)、禁用通知(减少干扰)、音频消息(限制打字和减少混淆)、夜班(减少干扰睡眠的蓝光)、将应用程序从主屏幕移开以减少干扰的工具，以及删除应用程序的工具。研究这些工具的受欢迎程度、用户使用它们的体验以及与人口统计学、心理健康和社会心理因素的任何关联，可以揭示这一不断发展的领域的前景和局限性，并帮助精神卫生界开始对其在更广泛的治疗领域中的地位进行急需的评估。gydF4y2Ba

为此，本研究旨在评估美国用户的代表性样本中有问题的智能手机使用的普遍程度，以及监控智能手机使用工具的使用情况(TMCSU)。该研究还旨在探索一系列与心理健康、智能手机使用和智能手机相关的变量gydF4y2Ba上瘾gydF4y2Ba可能影响TMCSU的使用。gydF4y2Ba

为了达到这个目标，我们试图回答6个研究问题(RQs)，在gydF4y2Ba文本框1gydF4y2Ba．gydF4y2Ba

由于本研究设计为探索性研究，因此没有假设与这些rq相关。gydF4y2Ba

据我们所知，尽管旨在抑制智能手机使用的智能手机工具很流行，但这是第一次对这种数字心理健康干预进行心理评估。因此，我们的发现可以帮助指导一个正在迅速发展，但主要是在心理健康科学界有意义的审查之外的领域。gydF4y2Ba

方法gydF4y2Ba

参与者gydF4y2Ba

研究人员招募了美国成年人口的代表性样本。总体而言，有1989人参与了调查，并回答了一份基于网络的问卷。参与者必须是成年人(≥18岁)，属于美国成年人口的多产代表性样本，并提供参与研究的数字知情同意。唯一的排除标准是报告没有使用智能手机。gydF4y2Ba

收集的2个社会人口特征是年龄和性别。年龄分布为19 ~ 76岁(平均45岁，标准差16岁)，分布为19 ~ 35岁(691/1989,34.74%);36 ~ 60岁(802/1989,40.32%);61 ~ 76岁(496/1989,24.93%)。性别分布为男性(965/1989,48.51%);女性(1006/1989,50.57%);非二元(18/1989,0.9%)。gydF4y2Ba

招募和抽样gydF4y2Ba

研究参与者的招募使用基于网络的众包平台多产[gydF4y2Ba9gydF4y2Ba］．多产被描述为比其他类似平台拥有一些优势，包括它专门致力于研究性研究，其参与者在种族和地理上更多样化，对实验研究任务更幼稚。gydF4y2Ba10gydF4y2Ba］．因此，它可以在美国招募年龄≥18岁的成人样本，其性别、年龄和种族特征反映了美国人口普查局的数据。根据多产平台的信息，只有在多产平台上有账号的人才会根据他们提供的人口统计信息被告知他们有资格参加研究。当这项研究被发布在多产网站上时，多产网站会向所有符合条件的随机个体发出邀请。为了有资格获得美国代表性样本，高产参与者必须是美国居民，英语流利。本研究的样本大约是多产的最大可交付代表性样本量。在整个样本中，有2%的人被排除在分析之外，因为他们不使用智能手机。参与者完成问卷的报酬约为1.3美元。招聘工作于2021年3月启动并完成。gydF4y2Ba

数据收集材料gydF4y2Ba

数据是通过基于网络的问卷收集的。问卷共80个问题，分为5个部分。第一部分包括48个问题，评估社会人口特征(如年龄和性别);一个关于智能手机使用的筛选问题;智能手机操作系统(OS)上的项目;关于过去12个月智能手机使用行为的项目(如每日使用时长、使用行为、每日平均非必要活动使用时长、因使用智能手机而产生的社交问题);关于过去12个月使用智能手机TMCSU行为的项目(参与者是否使用智能手机，如果是，使用频率[很少，有时，或频繁]，以及感知的有效性[非常有效，有点有效，既不有效也不无效，有点无效，或非常无效]);以及关于终身精神健康和酒精使用障碍诊断的项目(是或否)。gydF4y2Ba

问卷的第二和第三部分分别评估了心理健康和智能手机成瘾。使用基于智能手机应用程序的成瘾量表对后者进行评估[gydF4y2Ba11gydF4y2Ba]，其中包括6个项目和6分制的回应量表，由gydF4y2Ba强烈反对gydF4y2Ba来gydF4y2Ba强烈同意gydF4y2Ba．采用DSM第五版自评第1级横切症状量表评估精神健康相关症状[gydF4y2Ba12gydF4y2Ba](24个项目和5分制的回答量表，范围从gydF4y2Ba完全不是gydF4y2Ba来gydF4y2Ba几乎每天gydF4y2Ba)，评估了调查完成前2周的14个领域的症状:抑郁、焦虑、愤怒、狂躁、人格功能、睡眠问题、躯体症状、自杀念头、精神病、睡眠问题、记忆、重复思想和行为、分离和药物使用。在这项研究中，这些维度被标记gydF4y2BaDSM抑郁gydF4y2Ba，gydF4y2BaDSM焦虑gydF4y2Ba，等等。gydF4y2Ba

第四部分包括一项关于智能手机使用在COVID-19大流行期间可能发生的变化的项目(7分制反应量表，从gydF4y2Ba减少gydF4y2Ba来gydF4y2Ba增加gydF4y2Ba)．最后，问卷的第五部分包括一个关于每天使用智能手机的时间的问题。原始数据和收集材料可通过合作作者的研究数据库访问[gydF4y2Ba13gydF4y2Ba］．gydF4y2Ba

数据分析gydF4y2Ba

为了回答RQ1，我们将有问题的智能手机使用变量与社会人口特征变量建立了一个交叉标签，并对得到的列联表进行皮尔逊卡方分析。gydF4y2Ba

为了回答RQ2，对参与者使用TMCSU的数据进行了描述性统计分析。gydF4y2Ba

为了回答RQ3问题，我们使用了潜在类分析(LCA)gydF4y2BapoLCAgydF4y2BaR包。LCA是一种揭示数据中隐藏分组的方法。根据参与者的项目回答，LCA算法根据不可观察的构造(潜变量)将参与者分成子组。由此产生的子类被称为潜在类。这种技术类似于因子分析，其中模型从显性(测量)变量中确定潜在变量。与基于数学距离(如欧氏距离)或数学密度的聚类分析技术不同，LCA基于参与者给出不同设计反应模式的概率(项目-反应概率)和模型潜在类的成员概率。因此，在模型选择和解释方面，LCA被认为比聚类分析更有优势[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba15gydF4y2Ba］．我们总共运行了9个LCA模型，第一个模型nclass=2，第二个模型nclass=3，依此类推。在每个模型中，其他poLCA函数参数设置如下:nrep=10, na。rm=F, graphs=T, maxiter=100,000。在确保构建的9个模型被很好地识别(通过极大似然估计)后，我们继续进行比较和模型选择。基于赤池信息准则、贝叶斯信息准则、熵测度(分别为30224.17、30858.43和0.83)和可解释性，我们选择了具有3个潜在类的模型。gydF4y2Ba

为了回答RQ4，我们计算了年龄、性别和潜在阶级的交叉表，然后计算皮尔逊独立卡方。gydF4y2Ba

为了回答RQ5，我们使用随机森林(RF)分类算法构建了一个机器学习模型[gydF4y2Ba16gydF4y2Ba］．RF方法使用预测器和参与者的随机子集，并通过递归分区，分别测试每个可用预测器变量的强度。这涉及到从最强的可用预测器构建一个决策树，并测试树的整体预测能力gydF4y2Baout-of-baggydF4y2Ba样本(未用于构建树的数据子集)。RF算法重复执行此操作，分别引导数千棵决策树，然后取平均值。射频分类模型显示，在其他输出中，每个预测变量(对模型贡献最大的预测变量)的重要性基于一个称为平均减少精度(MDA)的度量。MDA图表示通过排除每个变量，模型损失了多少准确性。精确度越差，这个变量对成功的分类就越重要。因此，变量可以按重要性的升序或降序来表示。RF是非参数的，本质上能够捕获非线性关系[gydF4y2Ba16gydF4y2Ba］．为了选择最佳模型，我们构造了4个不同拟合参数的分类模型。每个模型都是用gydF4y2BarandomForestgydF4y2Ba在机器学习中，原始数据集被分割成至少2个集合:一个用于训练模型(train-set;通常是70%-80%的样本)，另一个用来估计模型在进行预测时的性能(测试集;样本的20%-30%)。在本研究中，数据集按如下方式分割:train-set=70%， test-set=30%的样本。所选模型具有以下调优参数:gydF4y2BantreegydF4y2Ba=500，表示每个RF模型由500棵分类树构建;而且gydF4y2BamtrygydF4y2Ba=8，这意味着在每个树节点上可用于拆分的预测器的数量被设置为8。所选模型在测试集数据上的性能指标为:精度得分=0.73 (95% CI 0.66-0.78);无信息率=69;gydF4y2BaPgydF4y2Ba(准确率>无信息率)=0.038;κ= 0.74。gydF4y2Ba

之所以选择使用机器学习算法而不是传统方法，是因为这些算法具有超参数，可以用来构建具有改进预测能力的不同模型，使用主数据集的子集(称为测试集)测试模型各自的性能，并根据特定的指标选择最适合数据的模型[gydF4y2Ba16gydF4y2Ba］．尽管本研究中使用的数据集对于机器学习应用程序来说相对较小，但我们在分析(RF)中使用的算法被认为是最适合预测分析和生成最重要预测变量的统计数据的最佳算法之一[gydF4y2Ba16gydF4y2Ba］．重要的是，RF算法具有特定的参数，可用于控制数据集大小和被研究类参与者的不平衡数量[gydF4y2Ba16gydF4y2Ba］．此外，在预测分析方面，研究发现，即使使用相对较小的数据集，射频也优于传统方法[gydF4y2Ba16gydF4y2Ba］．然而，机器学习分类和回归算法是为预测目的而设计的，不提供推理统计数据;因此，我们采用逻辑回归等传统方法来获取推理信息(变量关联概率指标)。gydF4y2Ba

为了回答RQ6问题，我们使用SPSS软件(28.0版本;IBM公司)。根据似然比卡方检验，完整模型在拟合方面较零模型(gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_36gydF4y2Ba= 552.1,gydF4y2BaPgydF4y2Ba<措施)。Pearson卡方检验表明，模型拟合较好(gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_{3880gydF4y2Ba}= 4031.4,gydF4y2BaPgydF4y2Ba=.05)，偏差卡方表示拟合良好(gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_{3880gydF4y2Ba}= 3490.9,gydF4y2BaPgydF4y2Ba= 0.99) -事实上，在后两种情况下，不显著的测试结果是模型很好地拟合数据的指标(Field, 2018;Petrucci, 2009) [gydF4y2Ba17gydF4y2Ba，gydF4y2Ba18gydF4y2Ba］．gydF4y2Ba

伦理批准gydF4y2Ba

参与者为他们的调查贡献提供了数字知情同意。参加是自愿的，年龄限制在18岁以上。所有的数据都是匿名收集的。根据瑞士人类研究法案(第1章第1节第2条，适用范围:2c) [gydF4y2Ba19gydF4y2Ba]，没有申请伦理评估，因为匿名收集或匿名的健康相关数据不属于《研究法》的范围。gydF4y2Ba

结果gydF4y2Ba

参与者智能手机使用情况的基本描述统计gydF4y2Ba

收集的2个社会人口特征是年龄和性别。年龄19 ~ 76岁(平均45岁，标准差16岁)，分布为19 ~ 35岁(691/1989,34.74%);36至60岁(802/1989,40.32%);61 ~ 76岁(496/1989,24.93%)。性别分布为男性(965/1989,48.51%);女性(1006/1989,50.57%);非二元(18/1989,0.9%)。参与者的智能手机操作系统分布如下:Android, 55.15% (1097/1989);iOS, 43.94% (874/1989);其他0.3% (6/1989); and do not know, 0.6% (12/1989). Participants’ daily average smartphone use in the 12 months preceding the study was as follows: 0.27 to 17 hours (mean 3.33, SD 2.27 h; median=3 h). Furthermore, of 1989 participants’ daily average nonessential smartphone use in the 12 months preceding the study was as follows: <1 hour, 14.03% (279/1989); 1 to 3 hours, 39.22% (780/1989); 3 to 5 hours, 26.49% (527/1989); 5 to 7 hours, 9.45% (188/1989); 7 to 9 hours, 5.68% (113/1989); and >9 hours, 5.13% (102/1989). Finally, of the 1989 participants’ experience of social problems owing to smartphone use in the 12 months preceding the study was as follows: definitely no, 1109 (55.76%); probably no, 557 (28%); probably yes, 262 (13.17%); and definitely yes, 61 (3.07%) respectively.

智能手机问题使用的普遍程度(RQ1)gydF4y2Ba

表1gydF4y2Ba显示了参与者对有问题的智能手机使用变量×社会人口变量的反应的交叉标签。gydF4y2Ba

如gydF4y2Ba表1gydF4y2Ba21.87%(435/1989)的参与者报告平均每天使用智能手机的时间较高(4-17小时);与男性、成年人(36-60岁)和老年人(61-76岁)相比，女性和年轻人(19-35岁)更有可能成为这一群体的一部分。共有46.76%(930/1989)的参与者报告称，他们每天使用智能手机进行非必要活动的平均时长很高(3小时);女性和年轻人比男性、成年人和老年人更有可能成为这一群体的一部分。此外，16.24%(323/1989)的参与者报告说，他们经历过由于问题智能手机的使用而产生的社会问题;年轻人比成年人和老年人更有可能成为这一群体的一部分。最后，13.42%(267/1989)的参与者报告体验了智能手机gydF4y2Ba上瘾gydF4y2Ba(>4分，1-6分制，在基于智能手机应用程序的成瘾量表的6个项目中≥4项);女性和年轻人比男性、成年人和老年人更有可能成为这一群体的一部分。gydF4y2Ba

TMCSU的普及(RQ2)gydF4y2Ba

如gydF4y2Ba表2gydF4y2Ba在美国，最常用的3种工具分别是减少通知(973/1989,48.92%)、减少智能手机屏幕时间(913/1989,45.9%)和提高睡眠时间和质量(702/1989,35.29%)。在参与者尝试的工具中，最常使用的是帮助睡眠(484/1989,24.33%)和减少通知(436/1989,21.92%)，而被认为最有效的是从主屏幕删除应用(81/291,27.8%认为有效)，删除应用(126/574,21.9%)和帮助睡眠(147/702,20.9%)。在有未成年子女的家长中(483/ 1988,24.28%)，36.2%(175/483)的家长将其子女作为TMCSU的目标，57.1%(100/175)经常使用，33.1%(58/175)认为有效。gydF4y2Ba

TMCSU用户潜在类别的构成(RQ3和RQ4)gydF4y2Ba

表3gydF4y2Ba显示了TMCSU潜伏阶层的年龄和性别构成。第一潜伏类(691/1989,34.74%)被标记gydF4y2Banonsmartphone-use控制gydF4y2Ba(NSC)，因为这一群体的成员使用任何拟议的TMCSU的可能性很低或根本不存在。与女性和年轻人相比，男性、成年人和老年人更有可能成为这一群体的一部分。第二类潜伏类(950/1989,47.76%)被标记为gydF4y2Baineffective-smartphone-use控制gydF4y2Ba(ISC)，因为这组成员使用任何拟议的TMCSU的可能性适中，并倾向于认为这些工具的使用是无效的。女性、年轻人和成年人比男性和老年人更容易成为这一群体的一部分。gydF4y2Ba

第三潜伏类(348/1989,17.49%)被标记gydF4y2Baeffective-smartphone-use控制gydF4y2Ba(ESC)，因为该组成员有中等到高的概率使用大部分拟议的TMCSU，并倾向于认为这些工具的使用是有效的。女性和年轻人比男性、成年人和老年人更有可能成为这一群体的一部分。gydF4y2Ba

潜在阶层成员最重要的预测变量(RQ5)gydF4y2Ba

图1gydF4y2Ba显示了RF机器学习选择模型MDA图，即3个未发现的TMCSU潜在类的22个预测变量(按重要性递减顺序)。gydF4y2Ba

如gydF4y2Ba图1gydF4y2Ba在该模型包含的22个预测因素中，最重要的10个是智能手机的每日平均使用量、使用体验gydF4y2Ba上瘾gydF4y2Ba，经历过社交问题，因为有问题的智能手机使用，每天使用智能手机进行非必要活动的平均时间，DSM抑郁，DSM焦虑，DSM愤怒，DSM躁狂，DSM人格功能，以及DSM睡眠问题。最不重要的3个预测变量是:酒精使用障碍诊断、寻求专业帮助以减少智能手机的使用，以及因为与智能手机使用相关的社会问题而寻求专业帮助。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

如前所述，与MDA相关的值(如MDA=18.11)意味着如果相应的预测变量(如，gydF4y2Ba每天平均使用智能手机的时间gydF4y2Ba)被删除，该模型将失去其总准确性得分的那个值(即18.11分)。gydF4y2Ba

射频机器学习算法的重要性在于，它不仅能够对预测变量进行排序，而且还允许变量选择和变量多重共线性检查。因此，只有MDA为>2的预测变量和非多重共线性变量被选择用于下面所示的多项逻辑回归模型。gydF4y2Ba

协变量与三个未发现潜在类的相关性(RQ6)gydF4y2Ba

表4gydF4y2Ba总结了多项逻辑回归模型。在该模型中，将NSC潜在类设置为参考类并进行编码gydF4y2Ba0gydF4y2Ba，这意味着该模型被设计用来预测个体属于ISC潜在类(编码)的概率gydF4y2Ba1gydF4y2Ba)和ESC潜在类(编码gydF4y2Ba2gydF4y2Ba)．gydF4y2Ba

在该表中，上半部分表示NSC潜伏类的比较，即参考类(基线)和ISC潜伏类。与潜在阶层显著相关的协变量如下:gydF4y2BaDSM精神病gydF4y2Ba(β= .51;优势比[OR] 1.665, 95% CI 1.033-2.683;gydF4y2BaPgydF4y2Ba= .04点);gydF4y2Ba经历过智能手机使用带来的社会问题gydF4y2Ba(β= .402;或1.495,95% ci 1.247-1.792;gydF4y2BaPgydF4y2Ba<措施);gydF4y2Ba每天使用智能手机进行非必要活动的平均时长gydF4y2Ba(β= .162;或1.175,95% ci 1.055-1.309;gydF4y2BaPgydF4y2Ba= .003);gydF4y2BaDSM的愤怒gydF4y2Ba(β= .156;或1.169,95% ci 1.011-1.353;gydF4y2BaPgydF4y2Ba= .04点);gydF4y2Ba每日平均智能手机使用量gydF4y2Ba(β= .084;或1.088,95% ci 1.017-1.163;gydF4y2BaPgydF4y2Ba= . 01);gydF4y2Ba体验智能手机“上瘾”gydF4y2Ba(β= .033;或1.034,95% ci 1.01-1.059;gydF4y2BaPgydF4y2Ba= .006);gydF4y2Ba智能手机安卓操作系统gydF4y2Ba(β=−.356;或0.7,95% ci 0.565-0.867;gydF4y2BaPgydF4y2Ba=措施);而且gydF4y2BaDSM自杀意念gydF4y2Ba(β=−.296;或0.744,95% ci 0.589-0.939;gydF4y2BaPgydF4y2Ba= . 01)。β系数为正表明相关协变量的增加增加了属于ISC组的概率，而β系数为负表明相关协变量的增加增加了属于NSC组的概率。例如，对于智能手机Android操作系统变量，使用Android操作系统的参与者明显不太可能(负β系数)成为ISC潜在类别的一部分。在本分析的上下文中，OR值可以解释为效应大小。例如，如果我们采用DSM精神病协变量，其OR为1.665，参与者的DSM精神病评分每增加一个单位，在控制其他预测因素后，属于ISC组的几率增加67%。注意，在解释OR时，检查它偏离1的程度是很重要的。例如，OR为0.7意味着在一组中，结果的可能性降低了30%。OR为1.66意味着在一组中，结果的可能性要高出66%。然而，OR值为2或3.22意味着在一组中，结果的可能性分别是2倍或3倍。gydF4y2Ba

表的底部显示了NSC和ESC潜在职业之间的比较。在这里，与潜在阶级显著相关的协变量为gydF4y2Ba经历过智能手机使用带来的社会问题gydF4y2Ba(β= .896;或2.450,95% ci 1.973-3.043];gydF4y2BaPgydF4y2Ba<措施);gydF4y2BaDSM精神病gydF4y2Ba(β= .786;或2.195,95% ci 1.304-3.695;gydF4y2BaPgydF4y2Ba= .003);gydF4y2BaDSM离解gydF4y2Ba(β= .259;或1.296,95% ci 1.012-1.66;gydF4y2BaPgydF4y2Ba= .04点);gydF4y2BaDSM躁狂gydF4y2Ba(β= .257;或1.293,95% ci 1.042-1.605;gydF4y2BaPgydF4y2Ba= .02点);gydF4y2Ba每日平均智能手机使用量gydF4y2Ba(β= .192;或1.212,95% ci 1.117-1.316;gydF4y2BaPgydF4y2Ba<措施);gydF4y2Ba经历过智能手机成瘾gydF4y2Ba(β= .061;或1.062,95% ci 1.029-1.097;gydF4y2BaPgydF4y2Ba<措施);gydF4y2BaDSM药物滥用gydF4y2Ba(β=−.321;或0.725,95% ci 0.562-0.936;gydF4y2BaPgydF4y2Ba= . 01);而且gydF4y2Ba智能手机安卓操作系统gydF4y2Ba(β=−.321;或0.725,95% ci 0.536-0.982;gydF4y2BaPgydF4y2Ba=.04)，这意味着使用Android操作系统智能手机的参与者明显不太可能成为ESC潜在阶层的一部分。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

结果表明，女性和年轻人更有可能显示出较高的每日智能手机总使用量(4-17小时)和较高的每日非必要智能手机使用量(3小时)。关于智能手机gydF4y2Ba上瘾gydF4y2Ba13.42%(267/1989)的参与者报告有过这种经历，女性和年轻人明显更容易受到影响。有略高的比例，16.24%(323/1989)报告了与智能手机使用有关的社会问题，从统计数据来看，年轻人更有可能属于这一群体。之前的几项研究都强调了年轻女性患乳腺癌的风险更高[gydF4y2Ba20.gydF4y2Ba-gydF4y2Ba23gydF4y2Ba，并与年轻女性在人际、社交和安全需求方面对手机的依赖程度更高有关[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba25gydF4y2Ba］．这为智能手机监控工具的包容性和性别意识设计提供了论据。gydF4y2Ba

关于TMCSU的使用，限制通知和减少屏幕时间的智能手机功能是最常尝试和使用的，近一半的样本，其次是改善睡眠的功能(702/1989,35.29%)。一旦尝试，参与者最有可能继续使用与睡眠相关的工具(484/702,68.9%)和限制通知的工具(436/973,44.8%)。这表明人们已经意识到，过度使用智能手机会导致失眠、注意力分散以及对生活其他方面的侵占等现实问题，这与越来越多的公民要求更有效监管的呼声是一致的gydF4y2Ba大型科技股gydF4y2Ba以及遏制技术失控增长的最新立法[gydF4y2Ba26gydF4y2Ba］．这也反映了这些工具的良好可接受性，表明未来引入经过严格测试和验证的替代方案可能会受到许多智能手机用户的欢迎。gydF4y2Ba

对于更有效的工具的需求是显而易见的，因为我们发现，使用那些将应用移出主屏幕、删除应用和帮助改善睡眠的工具的频繁用户中，只有一小部分人认为这些工具是有效的(81/ 291,27.8%;126/574, 21.9%;147/702，分别为20.9%)。在我们的样本中，父母的经历也突出了类似的问题;虽然超过三分之一的人针对未成年子女使用工具来监控和限制他们使用智能手机，超过一半的人经常依赖这些工具，但只有三分之一的人认为这些工具有效。gydF4y2Ba

LCA揭示了有趣的结果。共有34.74%(691/1989)的样本映射到一个使用任何查询的智能手机工具的概率很低或不存在的阶层，男性、成年人和老年人明显比女性和年轻人更可能属于这个群体。这表明，如果被证明有效，限制过度使用智能手机的新工具的营销应该专注于这些子群体。另外17.5%(348/1989)有中等到高的概率使用被询问的工具，并倾向于发现它们有效，女性和年轻人比男性、成年人和老年人更可能属于这一群体。这表明在我们的样本中，女性和年轻人在统计上更有可能使用智能手机gydF4y2Ba上瘾gydF4y2Ba他们大部分时间都在使用智能手机，做一些非必要的智能手机活动，他们对通过智能手机获得帮助的可能性也最乐观。这并不奇怪;习惯了在网上进行所有活动的数字原生代，可能也会倾向于在网上寻求帮助，包括在技术介导的问题上[gydF4y2Ba27gydF4y2Ba］．最大的潜在群体(965/1989,48.52%)有中等概率使用所查询的工具，并倾向于认为它们无效，女性、年轻人和成年人比男性和老年人更可能是这一群体的一部分。gydF4y2Ba

关于参与者使用工具监测和控制智能手机行为的程度以及他们是否认为这些工具有效的预测因素，没有得出可靠的结论。机器学习模型表明，最重要的预测因素与智能手机使用行为、人际关系和一些精神病理方面有关(例如，日常智能手机使用、智能手机gydF4y2Ba上瘾gydF4y2Ba例如，社会问题、DSM抑郁、DSM焦虑、DSM愤怒、DSM躁狂、DSM人格功能和DSM睡眠)，而不那么重要的预测因素则与其他精神病理方面相关(例如，酒精使用障碍诊断、DSM自杀意念和DSM分离)。gydF4y2Ba

此外，与使用iOS的参与者相比，使用Android操作系统的参与者更有可能不使用工具来监控或控制智能手机的使用，这可能表明其制造商的营销和推广不足，或者产品或平台低劣。同样，在DSM自杀意念和药物滥用测试中得分较高的参与者更有可能不使用TMCSU行为。这可能表明，更严重的抑郁或药物使用者更依赖智能手机，使减少使用变得不那么有吸引力。或者，它可能表明患有抑郁症的参与者中存在与自尊或动机相关的障碍。gydF4y2Ba

其他精神健康状况似乎没有阻止使用这些工具，但没有明确的模式显示其有效性。在DSM躁狂和分离上得分高的参与者在统计上更有可能报告有效使用而不是没有使用，这可能是前一组中作为减少刺激的一种手段。相比之下，那些在DSM愤怒和完全非必要智能手机使用上得分较高的人，在统计上更有可能报告无效使用而不是没有使用，可能是因为非必要重度使用的人难以达到工具使用的有效阈值，或有愤怒问题的人难以适当使用工具。此外，一些得分较高的参与者gydF4y2Ba上瘾gydF4y2Ba、DSM精神病、每日平均智能手机使用时长和使用导致的社会问题显著更有可能无效地使用TMCSU，而其他人显著更有可能有效地使用TMCSU。gydF4y2Ba

综合来看，我们的数据似乎预示着移动远程精神病学帮助的可接受性和可能的有效性，包括对那些被认为更具挑战性和数字健康干预可能没有被认真考虑过的情况。gydF4y2Ba

有一些限制使我们的解释复杂化，值得讨论。基于网络的问卷是基于自我报告的，这可能会引入偏差和影响效度。这是正确的，例如，当回忆花费的时间、使用的特定工具和使用的工具的有效性时。此外，评估条件智能手机gydF4y2Ba上瘾gydF4y2Ba以及基于dsm的分类，都不是个人综合诊断评价金标准的产物，因此，可能是不可靠的。此外，尽管样本很大，年龄范围很广，男女性别分布几乎相等，但只在美国，这可能限制了其普遍性。该样本还只包括18岁以上的成年人，因为许多被评估的问题与年轻的青少年高度相关，这些青少年通常被认为受到智能手机使用和互联网相关技术的严重影响。我们的研究结果是否可以推广到这个亚群体尚不清楚。此外，我们的调查只在网上进行，这一事实可能也代表了有智能手机相关问题的人或那些被智能手机解决方案吸引的人。此外，尽管研究样本在人口统计学变量中代表了美国的成年人口，但不能排除与参与者的多产参与或研究选择相关的选择偏差。gydF4y2Ba

最后，该调查是在COVID-19大流行期间进行的，这一时期人们对互联网相关技术的依赖程度提高，这可能影响了参与者对智能手机和智能手机工具的参与度和认知。尽管如此，这是第一次对限制智能手机使用的智能手机工具进行心理评估，我们的结果表明，这种数字心理健康干预有潜在的前景。gydF4y2Ba

结论gydF4y2Ba

在>20岁的时候，互联网gydF4y2Ba上瘾gydF4y2Ba已经成为一种通过数字平台进行治疗的病症。那个要求用户“如果你上网上瘾就点击这里”的老笑话已经不再有趣了，因为用户在网上寻找工具和资源以解决他们比以往任何时候都更意识到的问题时，越来越多的人“点击”该服务。我们的研究表明，人们对这些工具的接受度相对较高，并愿意尝试和使用它们，即使目前可用的工具的有效性仍然不够。对于试图监控或限制自己使用电子产品的个人，以及试图对未成年子女采取同样措施的父母来说，情况都是如此。考虑到这些局限性，尽管对精神药理学和心理治疗产品进行了20年的研究，这个领域和整个文化都将受益于对这些工具和其他工具的严格科学测试，以及对那些似乎受影响最大的群体和那些似乎最耐药的群体的智能部署。然而，就目前的情况而言，这些工具的开发、销售和广泛采用，很大程度上是在精神健康领域没有任何有意义的科学审查的情况下进行的。这就提出了该领域必须解决的一个重要问题:这些内置工具通常是由智能手机制造商自己提供的，因此往往带有一个gydF4y2Ba内置的gydF4y2Ba利益冲突。数字公司的收入依赖于用户与产品互动的时间。因此，智能手机制造商对限制智能手机使用的工具的任何认可都应该招致一些质疑，包括任何公共关系类型的动机。gydF4y2Ba

最后，COVID-19大流行为远程精神病学领域带来了更大的接受度，这可能意味着未来旨在提高幸福感的智能手机工具将得到更广泛的采用。如果这些工具能够在精心设计的代表性研究试验中被证明有效，这将是一个明显的进步，并表明进行此类研究试验的时机已经成熟。gydF4y2Ba