Escolar Documentos
Profissional Documentos
Cultura Documentos
com
OLPUM
ARTIGO DE PESQUISA
* contactme@halleypontes.com
a1111111111
a1111111111 Abstrato
a1111111111
a1111111111
a1111111111 Objetivo
Embora o Uso Problemático da Internet (PIU) seja uma área emergente de estudo em psicologia, pouco se
sabe sobre as características únicas de subgrupos específicos de usuários da Internet e suas
vulnerabilidades psicossociais em populações robustas e nacionais.
ACESSO LIVRE
Direito autoral:©2021 Pontes, Macur. Este é um Uma Análise de Perfil Latente (LPA) revelou uma solução de duas classes, com Classe 1 (n=853, 80%) apresentando 'baixo
artigo de acesso aberto distribuído sob os termos da risco de UPI' participantes e Classe 2 (n=213, 20%) incluindo 'alto risco de PIU'participantes. Comportamentalmente, a
Licença de Atribuição Creative Commons , que
principal característica da Classe 1 denotada 'dificuldades de gerenciamento de tempo' enquanto a Classe 2 foi melhor
permite uso, distribuição e reprodução irrestritos
caracterizada por 'problemas de humor e gerenciamento de tempo'. Outras análises frequentistas e bayesianas
em qualquer meio, desde que o autor e a fonte
originais sejam creditados. indicaram que a Classe 2 apresentava maior risco psicossocial em comparação com a Classe 1 devido a níveis
significativamente mais elevados de UIP (generalizados e entre subfatores específicos de UIP), juntamente com níveis
Declaração de disponibilidade de dados:Os leitores
interessados são incentivados a encaminhar perguntas sobre mais baixos de bem-estar subjetivo e autocontrole.
o conjunto de dados diretamente ao Instituto Nacional de Saúde
aspecto da presente investigação, uma vez que o estudo foi podem ser específicos do desenvolvimento, destacando ainda mais a necessidade de práticas de triagem
conduzido de forma independente pelos autores. de UIP clinicamente ajustadas à idade em ambientes epidemiológicos e de saúde.
associação entre UIP e uma ampla gama de resultados adversos de saúde mental, como transtorno de
déficit de atenção/hiperatividade [21 ], ansiedade social [22 ] e abuso de álcool [23 ].
Apesar do seu actual estado clínico não oficial, a UIP afecta uma parcela significativa, embora relativamente
pequena, da população mundial, garantindo ainda um escrutínio científico adicional sobre os seus potenciais
impactos, especialmente em estudos de grande escala e de âmbito nacional que são capazes de fornecer
estimativas mais generalizáveis sobre o armadilhas do PIU.
O presente estudo
O objetivo principal do presente estudo foi duplo: (i) identificar e caracterizar subgrupos únicos de usuários
da Internet com base no risco de UIP, a fim de (ii) comparar ainda mais suas diferenças psicossociais
distintas. Para isso, optamos por realizar uma Análise de Perfil Latente (LPA), pois essa abordagem
analítica costuma ser empregada para compreender variáveis (ou indicadores) que podem prever
comportamentos de alto risco por meio da identificação de subgrupos latentes que apresentam níveis de
risco variados [24,25].
Esta abordagem estatística oferece vantagens importantes sobre abordagens dimensionais mais tradicionais
(por exemplo, análise fatorial) porque não assume que a probabilidade de uma resposta em uma variável putativa
é uma função linear de um fator latente, em vez disso, as variáveis usadas no LPA predizem pertença à classe
com base na intersecção de variáveis utilizadas no modelo definindo subgrupos que diferem em termos
qualitativos [26 ]. Em última análise, esta abordagem investigativa está alinhada com as recomendações mais
recentes para investigar comportamentos problemáticos de uso de tecnologia empregando abordagens não
confirmatórias [27 ]. Assim, à luz da literatura existente e do objetivo estabelecido para este estudo, foram
elaboradas as seguintes duas hipóteses de trabalho exploratórias:
Hipótese 1 (H1): subgrupos latentes específicos entre usuários da Internet serão identificados com base em
seus padrões e riscos exclusivos de PIU. Esperamos que surja uma tipologia única de participantes com base
nos intrincados riscos partilhados da PIU.
Hipótese 2 (H2): os subgrupos latentes de utilizadores da Internet identificados no LPA diferirão em termos
dos seus riscos psicossociais, pelo que, quando comparados com os participantes que apresentam menor risco,
será esperado que aqueles que apresentam maior risco apresentem maiores níveis de sintomas de UIP
juntamente com níveis reduzidos de bem-estar subjetivo, qualidade na relação percebida entre pais e filhos e
níveis de autocontrole.
Dada a grande quantidade de estudos de UIP usando amostras relativamente baixas recrutadas por meio de
amostragem de conveniência, este estudo contribuirá para o campo, ajudando ainda mais a construir a base de
conhecimento sobre os riscos psicossociais associados à UIP dentro de uma estrutura nacional e de grande escala,
gerando resultados que refletir melhor as experiências e vulnerabilidades psicossociais dos usuários.
material e métodos
Participantes
Os dados para este estudo foram recolhidos a nível nacional no contexto de um grande estudo epidemiológico na
Eslovénia. Os participantes eram adolescentes recrutados por meio de amostragem aleatória estratificada usando todas as
turmas do ensino fundamental (ou seja, oitava série) como unidades primárias de amostragem. A estratificação baseou-se
nas doze regiões estatísticas da Eslovénia de acordo com a Nomenclatura das Unidades Territoriais Estatísticas (ou seja,
NUTS 3) e a densidade populacional.
Todos os diretores das escolas amostradas aleatoriamente foram contatados e convidados a participar
do estudo. Os procedimentos do estudo foram realizados de acordo com a Declaração de Helsinque. O
Conselho de Revisão Institucional da Nottingham Trent University (Reino Unido) e do Instituto Nacional de
Saúde Pública (Eslovénia) aprovaram o estudo. Todos os sujeitos foram informados sobre o estudo e todos
forneceram consentimento informado por escrito. Parental
o consentimento informado por escrito foi fornecido pelos pais e/ou responsáveis legais dos participantes com idade
inferior a 15 anos.
Uma pesquisa assistida por computador contendo todas as principais medidas do estudo foi administrada por
pessoal treinado e preenchida eletronicamente por todos os participantes no ambiente escolar (abril a maio de
2015). Antes da coleta de dados, foi obtido o consentimento informado de todos os pais e/ou responsáveis legais,
e uma amostra de 1.095 participantes foi inicialmente recrutada para o presente estudo. Todos os participantes
que apresentam valores faltantes graves (ou seja,�10%,n=24, 2,2%) e descuido ou desatenção no preenchimento
da pesquisa (ou seja,�50% de invariabilidade de resposta,n=5, 0,5%) foram excluídos. Assim, a amostra efetiva foi
composta por 1.066 adolescentes (Significaridade=13,46 anos,SDidade=0,58) (vertabela 1).
Medidas
Dados sociodemográficos e de uso da internet.Foram coletados dados sociodemográficos sobre idade, sexo
e região de residência dos participantes. Além disso, os comportamentos de utilização da Internet incluíram a
avaliação do tempo diário gasto pelos participantes na Internet para fins de lazer (ou seja, número de horas)
durante a semana e fins de semana em geral e através dos seus telemóveis mais especificamente.
Características sociodemográficas
Tempo diário gasto na internet durante a semana para lazer 2,87 (2,55)
Tempo diário gasto na internet durante a semana para lazer pelo celular 1,75 (2,40)
Tempo diário gasto na internet nos finais de semana para lazer 3,34 (2,87)
Tempo diário gasto na internet nos finais de semana para lazer pelo celular 1,99 (2,44)
Observação. As estimativas foram calculadas usando pesos amostrais, salvo especificação em contrário. DP = desvio padrão.
https://doi.org/10.1371/journal.pone.0257329.t001
Auto-controle.O nível de autocontrole dos participantes foi avaliado usando uma breve medida de sete itens
que foi empregada em pesquisas anteriores da PIU, apoiando suas propriedades psicométricas adequadas [36 ].
Todos os itens deste teste psicométrico (por exemplo, “Eu sinto que sou uma bomba-relógio”) são avaliados em
uma escala Likert de cinco pontos que varia de 1 = ‘concordo totalmente’ a 5 = ‘discordo totalmente’, com
pontuações mais altas indicando maiores níveis de autocontrole. No presente estudo, esta medida apresentou
excelentes níveis de consistência interna (α de Cronbach = 0,82; ω de McDonald's = 0,86).
Análise estatística
Todas as análises estatísticas foram realizadas utilizando os pacotes estatísticos R versão 4.0.3 “Bunny-Wunnies
Freak Out” [37 ] e Mmaisversão 8.2 [38 ]. A abordagem analítica adotada neste estudo incluiu três etapas
principais: (i) análise estatística descritiva básica (por exemplo, médias, desvios padrão) das principais
características das amostras, (ii) APL para identificar tipologias específicas e subgrupos latentes (ou seja, classes )
de usuários da Internet com base no risco de PIU e (iii) estatísticas inferenciais (por exemplo, amostras
independentes freqüentistas e bayesianas de Welcht-testes) acompanhados por estimativas de tamanho de efeito
(por exemplo, Cohend) para melhor caracterizar as classes latentes identificadas no APL.
Enquanto o LPA foi conduzido com Mmaisdevido à sua capacidade de incorporar pesos amostrais no
procedimento de modelagem de mistura, todas as análises restantes foram realizadas em R usando os
pacotesdescuidadoversão 1.1.3 [39 ],Fator Bayesversão 0.9.12–4.2 [40 ],psicológicoversão 2.0.9 [41 ], e
pesosversão 1.0.1 [42 ] incorporando pesos amostrais nas estimativas. Os fatores de Bayes estimados (BF
10) foram interpretados de acordo com as recomendações fornecidas por Lee e Wagenmakers [43 ] e de
Cohendtamanhos de efeito foram interpretados como pequenos (d= .2), médio (d=
. 5) e grande (d= .8) [44 ].
O LPA é uma análise estatística de modelagem de mistura que pode ser usada para identificar grupos de
indivíduos que podem ser semelhantes em seus padrões de resposta a variáveis específicas. No estudo
apresentado, o LPA foi realizado usando todos os seis itens do PIUQ-SF-6 (variáveis contínuas) em vez de usar os
três subfatores do PIUQ-SF-6, uma vez que esta abordagem oferece maior granularidade analítica na descrição e
interpretação dos fatores latentes. classes devido à maior quantidade de variáveis que informam o procedimento
de estimação.
Para determinar o número ideal de classes latentes a serem extraídas no LPA, foram inspecionados os
seguintes três Índices de Ajuste da Teoria da Informação: Critério de Informação de Akaike (AIC) [45 ],
Critério de Informação Bayesiano (BIC) [46 ], e o Critério de Informação Bayesiana Ajustado pelo Tamanho
da Amostra (SSABIC) [47 ], com valores mais baixos indicando melhor ajuste do modelo [48 ]. Além disso,
Entropia [49 ] foi calculado para verificar se a solução estimada era ótima. A entropia varia de 0 a 1, e
valores maiores sugerem maior clareza na identificação das classes latentes enquanto valores próximos de
1 indicam separação clara das classes [50 ]. Além disso, o teste de razão de verossimilhança Lo-Mendell-
Rubin ajustado (teste LMR) [51 ] também foi calculado para determinar o número ideal de classes usando
seup-valor, com baixo e significativo p-valores (ou seja,p <.05) sugerindo que o K0O modelo de classe tem
um ajuste significativamente melhor aos dados do que o modelo K-1modelo de classe [48]. Este teste
baseado em probabilidade tem um desempenho pior em comparação com o Bootstrap Likelihood Ratio
Test (BLRT) [52 ], entretanto, o BLRT não pode ser calculado ao usar pesos amostrais.
Finalmente, após a identificação do número ideal de classes latentes subjacentes aos dados, foram
realizadas análises comparativas adicionais para caracterizar as características únicas de cada classe em
relação ao PIU geral e específico, ao bem-estar subjetivo, à relação entre pais e filhos e ao autocontrole.
níveis.
Resultados
Estatísticas descritivas
Em termos de características sociodemográficas básicas ponderadas, a média de idade da amostra foi de 13,46
anos (SDidade=0,58, intervalo = 12–16 anos) e a distribuição por gênero foi uniforme (n=533, 50% mulheres).tabela
1 fornece um resumo de todas as principais características sociodemográficas, incluindo as estatísticas de
residência da amostra. Em relação aos comportamentos de utilização da Internet, os participantes relataram
passar maior tempo na Internet para fins de lazer nos fins de semana (Média = 3,34 horas, DP = 2,87), sendo o
uso da Internet móvel mais proeminente nos fins de semana (Média = 1,99 horas, DP = 2,44).
APL
Determinando o número de classes latentes.O LPA foi realizado usando valores iniciais especificados
com inícios aleatórios (2.000 conjuntos aleatórios de valores iniciais para o estágio inicial e 20 otimizações
do estágio final) para evitar soluções em máximos locais, usando estimativa de máxima verossimilhança
com erros padrão robustos (MLR) como estimador. Os resultados completos do LPA para modelos com
classes 1 a 4 são apresentados emmesa 2 . Depois de avaliar todos os quatro modelos, o modelo de duas
classes foi escolhido por fornecer o melhor ajuste aos dados.
Número de classes latentes BIC AIC SSÁBICO Entropia Teste LMR Teste LMR,p-valor
1 19665.320 19605.660 19627.206 - - -
2 17636.631 17542.169 17576.284 0,935 2035.776 <0,001
3 17108.649 16979.385 17026.068 0,902 565.203 0,4523
4 15954.033 15789.968 15849.219 1.000 1179.253 0,1302
Observação. As estimativas foram calculadas usando pesos amostrais, salvo especificação em contrário. O modelo escolhido está destacado em negrito na tabela. BIC = Critério de Informação Bayesiano;
AIC = Critério de Informação de Akaike; SSABIC = Critério de Informação Bayesiano Ajustado pelo Tamanho da Amostra; Teste LMR = Teste da Razão de Verossimilhança Ajustada de Lo-Mendell-Rubin.
https://doi.org/10.1371/journal.pone.0257329.t002
A decisão de favorecer o modelo de duas classes baseou-se no fato de que o teste LMR não foi
estatisticamente significativo para os três (p= .45) ou quatro classes (p= .13), sendo a entropia ótima para o
modelo de duas classes (ou seja, 0,935). Além disso, o modelo de duas classes foi capaz de classificar
corretamente 98,8% dos participantes da Classe 1 e 95,4% dos participantes da Classe 2, o que está bem acima do
limite recomendado de 0,70 [53 ]. Embora os modelos de três e quatro classes tenham apresentado valores mais
baixos de BIC, AIC e SSABIC, o modelo de três classes foi desconsiderado por apresentar (i) Teste LMR menos ideal
p-valores (ou seja,>0,05), (ii) pior precisão na atribuição de membros de classe devido a níveis mais baixos de
entropia, e (iii) menos clareza teórica na interpretação da solução derivada. Com base nas convenções atuais da
LPA [54 ], o modelo alternativo de quatro classes também foi desconsiderado por não convergir.
Caracterização e interpretação de classes latentes.As duas classes finais que emergiram do LPA
juntamente com suas principais características em termos de padrões de resposta aos itens do PIUQ-SF-6 (ou
seja, a gravidade média do PIU em cada item) são ilustradas emFigura 1 . As duas classes foram rotuladas em
relação ao seu risco de uso problemático, a fim de agregar valor qualitativo à interpretabilidade dos resultados
do LPA, como comumente feito em estudos semelhantes [por exemplo,55 –59 ]. No geral, Classe 1 (n=853, 80%)
apresentaram menor gravidade dos sintomas da UIP em comparação à Classe 2 (n=213, 20%). Assim, a Classe 1
foi rotulada como 'baixo risco de UPI' enquanto a Classe 2 foi rotulada como 'alto risco de PIU'.
Em termos de caracterização de classe, 'baixo risco de UPIOs participantes apresentaram sintomas particularmente
elevados relacionados com os subfatores da UIP associados ao Transtorno de Controlo (item 3) e à Negligência (itens 5 e 1),
indicando claramente que a principal característica comportamental desta classe é marcada por dificuldades de gestão do
tempo. Em contraste, 'alto risco de PIUOs participantes apresentaram sintomas elevados relacionados aos subfatores
Obsessão (item 2), Transtorno de Controle (item 3) e Negligência (item 1), sugerindo que o principal aspecto
comportamental desta classe é marcado por questões de humor e gerenciamento de tempo.
Comparações entre classes.Além dos procedimentos acima mencionados, as duas classes foram
comparadas entre si no que diz respeito aos níveis gerais de UIP dos participantes e aos seus três
subfatores específicos, juntamente com o bem-estar subjetivo, a relação entre pais e filhos e os níveis de
autocontrole (verTabela 3 ).
Assim, em comparação com o 'baixo risco de UPI'participantes (isto é, Classe 1), participantes
classificados como tendo 'alto risco de PIU'(ou seja, Classe 2) apresentou sintomas gerais de UIP
significativamente maiores (t[275,48]= -12,24,p <.001; namorado10= 67,d=1,05) e nos três subfatores da PIU:
Obsessão (t[255,38]= -11,07,p <.001; namorado10= 55,d=1.06), Negligência (t[278,95]= -10,25,p <.001; namorado
10= 47,d=0,84) e Transtorno de Controle (t[287,60]= -7,64,p <.001; namorado10= 25,d=0,66).
Além disso, como esperado, em comparação com 'baixo risco de UPI'participantes, aqueles que são membros
do 'alto risco de PIU'a classe exibiu níveis significativamente mais baixos de bem-estar subjetivo (t[309.36]= 2,91,p= .
004; namorado10= 1,70,d=0,28) e autocontrole (t[596.09]= 25,51,p <.001; namorado10
Figura 1. Caracterização das duas classes latentes de usuários problemáticos de internet obtidas a partir da Análise do Perfil Latente (N = 1.066). Observação. Sintoma
de uso problemático da Internet significa para cada item do Formulário Abreviado do Questionário de Uso Problemático da Internet (PIUQ-SF-6). PIUQ1 =Com que frequência
você passa tempo online quando prefere dormir?, PIUQ2 =Com que frequência você se sente tenso,irritado,ou estressado se você não puder usar a Internet pelo tempo que
quiser?; PIUQ3 =Quantas vezes acontece que você deseja diminuir o tempo gasto online, mas não consegue?; PIUQ4 =Com que frequência você tenta esconder a quantidade
de tempo que passa online?; PIUQ5 =Com que frequência as pessoas na sua vida reclamam que você passa muito tempo online?; PIUQ6 =Com que frequência você se sente
deprimido,temperamental,ou nervoso quando você não está na Internet e esses sentimentos param quando você está online novamente?.
https://doi.org/10.1371/journal.pone.0257329.g001
> 100,d=0,24). Ao contrário do que foi hipotetizado, a relação pai-filho não diferiu
significativamente entre as duas classes (t[330.10]= 1,79,p= .074; namorado10= 0,89,d=0,14). A
magnitude dos tamanhos dos efeitos observados nas médias comparadas variou de pequena a
grande. Tomados em conjunto, estes resultados apoiam a H1 e apoiam parcialmente a H2.
Discussão
O principal objetivo deste estudo foi ajudar a avançar a literatura sobre UIP, explorando seus riscos psicossociais
em uma amostra de adolescentes representativa nacionalmente. Isto constitui um objetivo importante, dado que
a maioria das pesquisas anteriores sobre UIP se concentraram na investigação de populações mais velhas (por
exemplo, adultos emergentes e adultos). Este estudo permitiu-nos identificar e caracterizar empiricamente
subgrupos únicos de utilizadores da Internet com base no seu risco único de PIU, para que pudéssemos estimar
os seus potenciais riscos psicossociais com base na adesão ao grupo. Abaixo, discutimos o
Tabela 3. Comparações entre classes de alto e baixo risco de usuários problemáticos da Internet para as duas classes latentes (N = 1.066).
Baixo risco de PIU Alto risco de PIU Welch'st(df) p-valor namorado10 Classificação de Bayes Cohend
(n=853, 80%) (n=213, 20%)
Uso problemático da Internet (média) 10.61 15,64 - 12,24 (275,48) <.001 67 Evidência muito forte para H1 1.05
Obsessão(significar) 3h00 4,92 - 11,07 (255,38) <.001 55 Evidência muito forte para H1 1.06
Negligência(significar) 3,74 5,38 - 10,25 (278,95) <.001 47 Evidência muito forte para H1 0,84
Transtorno de controle(significar) 3,63 5h00 - 7,64 (287,60) <.001 25 Evidência forte para H1 0,66
Bem-estar subjetivo (médio) 12.02 11h35 2,91 (309,36) . 004 1,70 Evidência anedótica para H1 0,28
Relacionamento pai-filho (média) 15,68 15.21 1,79 (330,10) . 074 0,89 Evidência anedótica para H0 0,14
Autocontrole (média) 23h35 15.21 25,51 (596,09) <.001 > 100 Evidência extrema para H1 0,24
Observação. As estimativas foram calculadas usando pesos amostrais. Baixo risco de PIU (n=857, 80%) e classe PIU alta (n=214, 20%). As estimativas foram realizadas com pesos amostrais.
UIP = uso problemático da internet; t = de Welcht-Estatística de teste; df = graus de liberdade; DP = desvio padrão; namorado10= Fator de Bayes; H0= hipótese nula; H1= hipótese alternativa.
Classificação de Bayes para AM10baseado em>100, evidência extrema para H1; 30–100, evidência muito forte para H1; 10–30, forte evidência para H1; 3–10 evidências moderadas para H1; 1–3
evidências anedóticas para H1; 1, nenhuma evidência; 1–0,33, evidência anedótica para H0; 0,33–0,10, evidência moderada para H0; 0,10–0,03, forte evidência para H0; 0,03–0,01, evidência
muito forte para H0;<0,01, evidência extrema para H0.
https://doi.org/10.1371/journal.pone.0257329.t003
implicações dos achados obtidos de acordo com a literatura existente e os objetivos do presente
estudo.
No contexto da H1, esperávamos que surgissem subgrupos específicos de adolescentes usuários da
Internet com base no risco de UIP. Embora pesquisas anteriores tenham realizado Análise de Classe
Latente (ACV) para investigar esta questão, esses estudos empregaram diferentes metodologias de
avaliação usando as formas alternativas existentes da ferramenta de avaliação PIUQ [60 ]. Até onde
sabemos, apenas um estudo utilizou o PIUQ-SF-6 para identificar classes latentes [28 ].
Utilizando uma amostra nacionalmente representativa de adolescentes húngaros (idade média de 16,4 anos),
Demetrovics, Király (28) também encontrou duas classes latentes distintas com base nos três subfatores do PIUQ-
SF-6. Mais especificamente, o seu 'em risco de UIPA classe '(compreendendo 14,4% da amostra) foi caracterizada
principalmente por elevações em Negligência (itens 1 e 5), Obsessão (itens 2 e 6) e Transtorno de Controle (itens 3
e 4). Com base nas conclusões do LPA do nosso estudo, 'alto risco de PIU'os participantes exibiram um padrão
ligeiramente diferente (mas ainda comparável) de risco de UIP, já que esta classe era caracterizada principalmente
por um item da Obsessão (ou seja, item 2), Transtorno de Controle (ou seja, item 3) e Negligência (ou seja, item 1)
subescalas.
Enquanto 'em risco de UIP'participantes do estudo conduzido por Demetrovics, Király [28 ] foram
caracterizados principalmente em termos dos sintomas medidos pelos itens 1 e 5, em nosso estudo as
características mais pronunciadas do 'alto risco de PIU'classe relacionada aos sintomas medidos pelos
itens 1, 2 e 3. Embora existam algumas características sobrepostas entre esses dois grupos (ou seja, item
1), nosso 'alto risco de PIU' foi proporcionalmente maior (ou seja, 20%) e apresentou sintomas mais
difusos de UIP além do subfator Negligência.
Esta descoberta matizada e aparentemente discrepante pode estar subjacente a características únicas de
desenvolvimento e às abordagens de mediação parental adoptadas pelos pais para regular os comportamentos de
utilização da Internet dos seus filhos. Sabe-se que a mediação parental é um processo dinâmico pelo qual os pais adaptam
os seus estilos de mediação ao desenvolvimento do filho, ao mesmo tempo que ajustam os seus estilos de mediação na
Internet ao estágio de desenvolvimento do filho.61,62]. Assim, é plausível que as estratégias de mediação parental
relacionadas à Internet possam ter diferido entre crianças e adolescentes usuários de Internet do nosso estudo e do
forte ligação entre estratégias específicas de mediação parental e diminuição dos níveis de PIU [63 ]. No entanto, é
provável que diferentes estratégias de mediação possam levar a resultados distintos em relação ao
comportamento de utilização da Internet e aos seus muitos efeitos resultantes. Da mesma forma, as intervenções
psicoeducacionais também podem ser frutíferas na sensibilização sobre os efeitos prejudiciais da UIP,
promovendo o uso saudável e criterioso da Internet, prevenindo o uso problemático.
Em relação aos subgrupos latentes de usuários da Internet que apresentam risco diminuído de UIP, Demetrovics, Király
[28 ] encontrou uma segunda classe que foi rotulada como 'não corre risco de PIU' (compreendendo 85,6% da amostra),
que foi caracterizada majoritariamente pelos itens do PIUQ-6-SF que medem Negligência. Esta descoberta é altamente
consistente com as presentes conclusões, uma vez que o nosso 'baixo risco de UPI'a classe era proporcionalmente
equivalente em tamanho (ou seja, 80%) e semelhante em termos dos sintomas mais pronunciados de UIP experimentados.
Além de determinar e caracterizar as classes latentes de UIP relatadas neste estudo, também
procuramos comparar essas classes, a fim de estabelecer perfis de risco psicossocial únicos dos
participantes. Portanto, com base nos resultados obtidos, encontramos suporte parcial para H2. Embora
os participantes que sejam membros do 'alto risco de PIU' teve maiores níveis de PIU (como uma medida
geral e em seus três subfatores), menor bem-estar subjetivo e autocontrole, nossos resultados não
apoiaram a suposição esperada de que 'alto risco de PIU'os participantes experimentariam níveis mais
baixos de qualidade no relacionamento entre pais e filhos. Pode haver várias razões potenciais que
sustentam a falta de uma relação significativa entre o maior risco de UIP e a menor qualidade na relação
pais-filhos.
Em primeiro lugar, a PIU ainda não é um transtorno de dependência oficialmente reconhecido e aceito
psiquiátricamente. Na verdade, a noção de “dependência da Internet” permanece altamente controversa e a sua validade
clínica e utilidade têm sido debatidas há muitos anos [7,8,64]. Embora o estado clínico da UIP esteja actualmente a ser
cientificamente contestado, é evidente que se a UIP (na sua forma generalizada e não específica) fosse umgenuíno
transtorno de dependência, as relações esperadas em nossas comparações entre classes provavelmente teriam sido
corroboradas. Em segundo lugar, a ferramenta psicométrica utilizada neste estudo para avaliar o PIU (ou seja, PIUQ-6-SF) é
uma ferramenta extremamente breve, e o seu número relativamente baixo de itens pode não fornecer necessariamente
uma cobertura ideal dos seis componentes principais do transtorno de dependência que sustentam níveis mais elevados.
As conclusões do nosso estudo apresentam várias implicações importantes para diferentes partes
interessadas (por exemplo, cuidadores, profissionais, etc.). A nível parental, porque os indivíduos PIU de alto risco
são geralmente jovens [69 –71 ], é importante que, além de empregar estilos de mediação específicos, os pais
trabalhem com seus filhos adolescentes para reforçar seus níveis de regulação emocional, pois isso constitui um
fator de risco para UIP [70 ] exercendo efeitos indiretos sobre o uso problemático, conforme evidenciado por
vários estudos [66,72]. No nível clínico, se a UIP for capaz de provocar deficiências funcionais, os profissionais de
saúde mental devem empregar metodologias de entrevistas clínicas e abordagens de avaliação que avaliem o
humor dos adolescentes e problemas de gestão do tempo devido à sua
uso desregulamentado da Internet, pois isso pode fornecer informações valiosas sobre os riscos potenciais da UIP e a
gravidade das deficiências funcionais relacionadas à Internet que podem ser experimentadas por clientes mais jovens.
Além disso, com base nos resultados obtidos no nosso estudo e nos itens mais preditivos de alto risco de UIP,
quando se trata da avaliação de UIP em adolescentes, os profissionais de saúde mental devem prestar especial
atenção a questões relacionadas com o humor elevado (por exemplo, sintomas de abstinência, item 2 ), falha no
controle do comportamento (ex., desregulação no uso da internet, item 3) e uso excessivo da internet que impacta
negativamente na qualidade de vida (ex., problemas de sono, item 1), pois essas foram as principais características
apresentadas pelos adolescentes com maior risco de PIU no presente estudo.
O presente estudo também abre caminho para pesquisas futuras que visam expandir o conhecimento
existente sobre a UIP entre os jovens. Pesquisas futuras podem fornecer contribuições valiosas para o campo,
examinando como indivíduos com UIP diagnosticados clinicamente comparam indivíduos não-UIP em diferentes
domínios psicológicos e sociais, usando diferentes abordagens analíticas, como modelagem de regressão
logística, a fim de verificar a probabilidade de deficiências funcionais específicas poderem ocorrer em diferentes
riscos. grupos.
Apesar dessas descobertas promissoras, nossos resultados não estão isentos de potenciais limitações. Em
primeiro lugar, dada a natureza de grande escala deste estudo e os custos financeiros envolvidos, não fomos
capazes de medir factores adicionais que possam ajudar a explicar os meandros entre os factores psicossociais e o
risco da UIP. Portanto, nossos achados não significam a existência de relações causais com base nos resultados
relatados, pois pode haver mecanismos subjacentes adicionais que explicam a relação entre sintomas elevados de
UIP e maior risco psicossocial. Em segundo lugar, a natureza transversal do nosso estudo dificulta a capacidade de
estabelecer a direcionalidade para os efeitos observados, mesmo que as relações relatadas provavelmente
ocorram de forma sequenciada. Em terceiro lugar, o estudo teria sido capaz de fornecer maiores informações
sobre a UIP e os riscos associados, através da amostragem de jovens utilizadores da Internet de diferentes faixas
etárias, a fim de fornecer uma imagem mais ampla de como a UIP pode desdobrar-se em diferentes fases de
desenvolvimento.
Não obstante estas potenciais limitações, as nossas descobertas fornecem uma contribuição valiosa
para o campo, ajudando a consolidar o entendimento atual sobre os potenciais impactos da UIP na
infância. Os muitos pontos fortes deste estudo incluem o uso de uma estrutura analítica e de
modelagem robusta para investigar as hipóteses desenvolvidas e o uso de uma amostra grande e
representativa nacionalmente de uma população específica que permanece negligenciada na pesquisa
da PIU (ou seja, adolescentes).
Conclusão
Com base nos resultados obtidos, pode-se concluir que cerca de 20% dos jovens eslovenos (ou seja, alunos do
oitavo ano) correm maior risco de desenvolver sintomas de UIP e problemas relacionados. Além disso, um maior
risco de UIP pode traduzir-se em dificuldades de gestão do tempo, juntamente com problemas de gestão do
humor. Os resultados obtidos indicaram ainda que o maior risco de UIP estava associado ao aumento da
sintomatologia da UIP e à redução dos níveis de bem-estar subjetivo e autocontrole.
Contribuições do autor
Conceituação:Halley M. Pontes, Mirna Macur.
Referências
1.Estatista. População digital mundial em outubro de 2020 2020 [atualizado em 23 de novembro, 27 de novembro de
2020]. Disponível a partir de:https://www.statista.com/statistics/617136/digital-population-worldwide .
2.Tifferet S. Diferenças de gênero no apoio social em sites de redes sociais: uma meta-análise. Cyberpsicol Behav
Soc Netw. 2020; 23(4):199–209.https://doi.org/10.1089/cyber.2019.0516 PMID:32096662
3.Cauberghe V, Van Wesenbeeck I, De Jans S, Hudders L, Ponnet K. Como os adolescentes usam as mídias
sociais para lidar com sentimentos de solidão e ansiedade durante o bloqueio do COVID-19.
Cyberpsicol Behav Soc Netw. 2020.https://doi.org/10.1089/cyber.2020.0478 PMID:33185488
4.Mandryk RL, Frommel J, Armstrong A, Johnson D. Como a paixão por jogar World of Warcraft prevê
capital social, solidão e bem-estar no jogo. Psicol Frontal. 2020; 11(2165).https://doi.org/10. 3389/
fpsyg.2020.02165 PMID:33071843
5.Karahanna E, Xu SX, Xu Y, Zhang NA. A perspectiva necessidades-recursos-recursos para o uso das mídias
sociais. MIS Trimestralmente: Sistemas de Informação Gerencial. 2018; 42(3):737–56.https://doi.org/
10.25300/misq/2018/11492
6.Pontes HM, Kuss DJ, Griffiths MD. Psicologia clínica do vício em Internet: uma revisão de sua conceituação,
prevalência, processos neuronais e implicações para o tratamento. Neurociências e Neuroeconomia. 2015;
4:11–23.https://doi.org/10.2147/NAN.S60982
7.Starcevic V, Aboujaoude E. Dependência de Internet: Reavaliação de um conceito cada vez mais inadequado.
Espectros do SNC. 2016; 22(1):7–13.https://doi.org/10.1017/S1092852915000863 PMID:26831456
8.Starcevic V. O vício em Internet é um conceito útil? Jornal de Psiquiatria da Austrália e da Nova Zelândia. 2013;
47(1):16–9.https://doi.org/10.1177/0004867412461693 PMID:23293309
9.Griffiths MD. "Vício" em Internet: um problema para a psicologia clínica? Fórum de Psicologia Clínica. 1996; 97:32–6.
10.Jovem K.S. Psicologia do uso do computador: XL. Uso viciante da Internet: um caso que quebra o estereótipo.
Relatórios psicológicos. 1996; 79(3):899–902.https://doi.org/10.2466/pr0.1996.79.3.899 PMID:8969098
11.Young KS, Pistner M, O'Mara J, Buchanan J. Distúrbios cibernéticos: a preocupação com a saúde mental para o novo
milênio. Comportamento ciberpsicológico. 1999; 2(5):475–9.https://doi.org/10.1089/cpb.1999.2.475 PMID:
19178220
12.Organização Mundial de Saúde. Classificação estatística internacional de doenças e problemas de saúde
relacionados (11ª ed.).2019.
13.Associação Psiquiátrica Americana. Manual Diagnóstico e Estatístico de Transtornos Mentais (5ª ed.) 2013.
14.Pan YC, Chiu YC, Lin YH. Revisão sistemática e meta-análise da epidemiologia do vício em Internet. Avaliações
de neurociência e biocomportamento. 2020; 118:612–22.https://doi.org/10.1016/j.neubiorev.2020. 08.013
PMID:32853626
15.Su W, Han X, Jin C, Yan Y, Potenza MN. Os homens são mais propensos a serem viciados em internet do que as mulheres? Uma
meta-análise envolvendo 34 jurisdições globais. Computação do comportamento humano. 2019; 99:86–100. https://
doi.org/10.1016/j.chb.2019.04.021
16.Ioannidis K, Hook R, Goudriaan AE, Vlies S, Fineberg NA, Grant JE, et al. Déficits cognitivos no uso problemático
da Internet: meta-análise de 40 estudos. Jornal Britânico de Psiquiatria. 2019; 215(5):639–46. Epub
2019/02/20.https://doi.org/10.1192/bjp.2019.3 PMID:30784392
17.Alimoradi Z, Lin CY, Broström A, Bülow PH, Bajalan Z, Griffiths MD, et al. Dependência de internet e problemas de
sono: uma revisão sistemática e meta-análise. Avaliações de medicamentos do sono. 2019; 47:51–61.https://
doi.org/10.1016/j.smrv.2019.06.004 PMID:31336284
18.Lei H, Li S, Chiu MM, Lu M. Apoio social e dependência de Internet entre adolescentes e jovens adultos da China
continental: uma meta-análise. Computação do comportamento humano. 2018; 85:200–9.https://doi.org/10.1016/
j. cap.2018.03.041
19.Fumero A, Marrero RJ, Voltes D, Penãocomeu W. Fatores pessoais e sociais envolvidos no vício em Internet entre
adolescentes: uma meta-análise. Computação do comportamento humano. 2018; 86:387–400.https://doi.org/10.
1016/j.chb.2018.05.005
20.Guo W, Tao Y, Li X, Lin X, Meng Y, Yang X, et al. Associações da gravidade do vício em Internet com
psicopatologia, doenças mentais graves e suicídio: estudo transversal de grande amostra. Jornal de
Pesquisa Médica na Internet. 2020; 22(8):e17560.https://doi.org/10.2196/17560 PMID:32780029
21.Wang BQ, Yao NQ, Zhou X, Liu J, Lv ZT. A associação entre transtorno de déficit de atenção/hiperatividade e
dependência de Internet: uma revisão sistemática e meta-análise. Psiquiatria BMC. 2017; 17(1):260. https://
doi.org/10.1186/s12888-017-1408-x PMID:28724403
22.Prizant-Passal S, Shechner T, Aderka IM. Ansiedade social e uso da Internet – Uma meta-análise: O que sabemos? O que
estamos perdendo? Computação do comportamento humano. 2016; 62:221–9.https://doi.org/10.1016/j.chb.
2016.04.003
23.Ho RC, Zhang MWB, Tsang TY, Toh AH, Pan F, Lu Y, et al. A associação entre dependência de internet e
comorbidade psiquiátrica: uma meta-análise. Psiquiatria BMC. 2014; 14(1):1–10.https://doi.org/10.
1186/1471-244X-14-183 PMID:24947851
24.Hagenaars JA, McCutcheon AL. Análise de Classe Latente Aplicada. Cambridge: Cambridge University Press;
2002.
25.McCutcheon A. Análise de classe latente. Newbury Park, CA: SAGE; 1987.
26.Muthén B. Os transtornos por uso de substâncias devem ser considerados categóricos ou dimensionais? Viciado. 2006;
101(s1):6–16.https://doi.org/10.1111/j.1360-0443.2006.01583.x PMID:16930156
27.Kardefelt-Winther D. Comentário sobre: Estamos superpatologizando a vida cotidiana? Um modelo sustentável para pesquisa de
dependência comportamental Problemas com abordagens de pesquisa ateóricas e confirmatórias no estudo de
dependências comportamentais. Viciado em comportamento J. 2015; 4(3):126–9.https://doi.org/10.1556/2006.4.2015. 019
PMID:26551896
28.Demetrovics Z, Király O, Koronczai B, Griffiths MD, Nagygyörgy K, Elekes Z, et al. Propriedades psicométricas
do Problematic Internet Use Questionnaire Short-Form (PIUQ-SF-6) em uma amostra nacionalmente
representativa de adolescentes. PLoS UM. 2016; 11(8):e0159409.https://doi.org/10.1371/journal.pone.
0159409 PMID:27504915
29.Opakunle T, Aloba O, Opakunle O, Eegunranti B. Problematic Internet Use Questionnaire-Short Form-6 (PIUQ-
SF-6): Dimensionalidade, validade, confiabilidade, invariância de medição e diferenças médias entre
gêneros e categorias de idade entre adolescentes nigerianos. Jornal Internacional de Mental
Saúde. 2020:1–18.https://doi.org/10.1080/00207411.2020.1776457
30.GoktaşS, Aygar H, Zencirci SA, Önsüz MF, Alaiye M, MetintaşS. Problemático uso da Internet questionairre-
short form-6 (PIUQ-SF 6): um estudo de validade e confiabilidade na Turquia. Jornal Internacional de
Pesquisa em Ciências Médicas. 2018; 6(7):2354–60.https://doi.org/10.18203/2320-6012. ijrms20182816
31.Lin M, Kim Y. A confiabilidade e validade da forma longa de 18 itens e duas formas curtas do Questionário de Uso
Problemático da Internet em três amostras japonesas. Viciado Comportamento. 2020:105961.https://doi.org/10.
1016/j.addbeh.2019.04.019 PMID:31072647
32.Moudiab S, Spada MM. A contribuição relativa de motivos e cognições desadaptativas para os níveis de
Transtorno de Jogos na Internet. Addict Behav Rep. 9:100160.https://doi.org/10.1016/j.abrep.2019.
100160 PMID:30705935
33.Zsila Á, Orosz G, Király O, Urbán R, Ujhelyi A, Jármi É, et al. Uso de substâncias psicoativas e uso problemático
da Internet como preditores de bullying e vitimização por cyberbullying. Int J Ment Viciado em Saúde. 2018;
16(2):466–79.https://doi.org/10.1007/s11469-017-9809-0 PMID:29670501
34.Macur M, Király O, Maraz A, Nagygyörgy K, Demetrovics Z. Prevalência do uso problemático da Internet na
Eslovênia. Jornal Esloveno de Saúde Pública. 2016; 55(3):1–10.https://doi.org/10.1515/sjph-2016-0026 PMID:
27703540
35.Macur M, Pontes HM. Diferenças individuais e o desenvolvimento do vício em Internet: um estudo
representativo nacionalmente. In: Bozoglan B, editor. Aspectos psicológicos, sociais e culturais da Internet
Vício. Avanços nos aspectos humanos e sociais da tecnologia. Hershey, PA: IGI Global; 2018. pág. 221–35.
36.Kim JE, Kim J. Nota internacional: Comportamento online problemático de usuários adolescentes: Usando dados de
painel da Coreia do Sul. Jornal da Adolescência. 2015; 40:48–53.https://doi.org/10.1016/j.adolescência.2015.01. 001
PMID:25621406
37.Equipe principal R. R: Uma linguagem e ambiente para computação estatística. Viena, Áustria: Fundação R
para Computação Estatística; 2020.
38.Muthén LK, Muthén BO. Guia do usuário Mplus (oitava edição). Los Angeles, CA: Muthén & Muthén; 2018.
39.Yentes RD, Wilhelm F. descuidado: Procedimentos para calcular índices de resposta descuidada. Pacote R
versão 1.1.3. 2018.
40.Morey RD, Rouder JN, Jamil T, Urbanek S, Forner K, Ly A. BayesFactor: Computação de Fatores de Bayes para
Projetos Comuns. Obtido de:https://cran.r-project.org/web/packages/BayesFactor/index. HTML . 2018.
44.Cohen J. Análise de poder estatístico para as ciências comportamentais (2ª edição). Nova Jersey: Erlbaum:
Hillsdale; 1988.
45.Akaike H. Análise fatorial e AIC. Psicométrica. 1987; 52(3):317–32.https://doi.org/10.1007/
BF02294359
46.Schwarz G. Estimando a dimensão de um modelo. Anais de Estatística. 1978; 6(2):461–4.https://doi. org/
10.1214/aos/1176344136
47.Sclove SL. Aplicação de critérios de seleção de modelos a alguns problemas de análise multivariada.
Psicométrica. 1987; 52(3):333–43.https://doi.org/10.1007/BF02294360
48.Tein JY, Coxe S, Cham H. Poder estatístico para detectar o número correto de classes na análise de perfil
latente. Modelagem de Equações Estruturais: Um Jornal Multidisciplinar. 2013; 20(4):640–57.https://doi.org/
10.1080/10705511.2013.824781 PMID:24489457
49.Shannon CE. Uma teoria matemática de comunicação. O Jornal Técnico do Sistema Bell. 1948; 27
(3):379–423.https://doi.org/10.1002/j.1538-7305.1948.tb01338.x PMID:30854411
50.Asparouhov T, Muthén B. Contribuição de entropia específica de variável. Apêndice técnico. Los Angeles:
Muthén & Muthén. Obtido de:https://www.statmodel.com/download/UnivariateEntropy.pdf ; 2014.
51.Lo Y, Mendell NR, Rubin DB. Testando o número de componentes em uma mistura normal. Biometria. 2001;
88(3):767–78.https://doi.org/10.1093/biomet/88.3.767
52.Nylund KL, Asparouhov T, Muthén BO. Decidindo sobre o número de classes na análise de classes latentes e
modelagem de mistura de crescimento: um estudo de simulação de Monte Carlo. Modelagem de Equações
Estruturais: Um Jornal Multidisciplinar. 2007; 14(4):535–69.https://doi.org/10.1080/10705510701575396
53.Nagin D. Modelagem de Desenvolvimento Baseada em Grupo. Cambridge (MA): Harvard University Press; 2009, 30 de junho de
2009.
54.Nylund-Gibson K, Choi AY. Dez perguntas frequentes sobre análise de classe latente. Questões
translacionais na ciência psicológica. 2018; 4(4):440–61.https://doi.org/10.1037/tps0000176
55.Pontes HM, Caplan SE, Griffiths MD. Validação psicométrica da Generalized Problematic Internet Use Scale 2 numa
amostra portuguesa. Computação do comportamento humano. 2016; 63:823–33.https://doi.org/10.1016/
j.chb.2016.06.015
56.Pontes HM, Király O, Demetrovics Z, Griffiths MD. A conceituação e medição do DSM-5 Internet
Gaming Disorder: O desenvolvimento do teste IGD-20. PLoS UM. 2014; 9(10):e110137. https://
doi.org/10.1371/journal.pone.0110137 PMID:25313515
57.Lin CY, Ganji M, Pontes HM, Imani V, Broström A, Griffiths MD, et al. Avaliação psicométrica da Persian
Internet Disorder Scale entre adolescentes. Viciado em comportamento J. 2018; 7(3):665–75.https://doi.
org/10.1556/2006.7.2018.88 PMID:30264609 .
58.Fuster H, Carbonell X, Pontes HM, Griffiths MD. Validação espanhola do teste Internet Gaming Disorder-20 (IGD-20).
Computação do comportamento humano. 2016; 56:215–24.https://doi.org/10.1016/j.chb.2015.11.050
59.Pontes HM, Griffiths MD. O desenvolvimento e avaliação psicométrica da Internet Disorder Scale (IDS-15).
Viciado Comportamento. 2017; 64:261–8.https://doi.org/10.1016/j.addbeh.2015.09.003 PMID: 26410796
64.Starcevic V. Uso problemático da Internet: um distúrbio distinto, uma manifestação de uma psicopatologia
subjacente ou um comportamento problemático? Psiquiatria Mundial. 2010; 9(2):92–3.https://doi.org/10.1002/j.
2051-5545.2010.tb00280.x PMID:20671892
65.Griffiths MD. Um modelo de 'componentes' de dependência dentro de uma estrutura biopsicossocial. Jornal de uso
de substâncias. 2005; 10(4):191–7.https://doi.org/10.1080/14659890500114359
66.Wang W, Li D, Li X, Wang Y, Sun W, Zhao L, et al. Relacionamento pais-adolescente e vício em internet entre
adolescentes: um modelo de mediação moderado. Viciado Comportamento. 2018; 84:171–7.https://doi.org/10.1016/
j. addbeh.2018.04.015 PMID:29709874
67.Huang S, Hu Y, Ni Q, Qin Y, Lü W. Relacionamento pais-filhos e vício em internet de adolescentes: O
papel mediador do autoconceito. Psicologia Atual. 2019.https://doi.org/10.1007/
s12144-019-00199-9
68.King DL, Delfabbro PH. Características das relações pais-filhos em adolescentes com Transtorno de Jogos na Internet.
Int J Ment Viciado em Saúde. 2016:1–14.https://doi.org/10.1007/s11469-016-9699-6
69.Ioannidis K, Treder MS, Chamberlain SR, Kiraly F, Redden SA, Stein DJ, et al. O uso problemático da Internet como um problema
multifacetado relacionado à idade: evidências de uma pesquisa em dois locais. Viciado Comportamento. 2018; 81:157–66.
https://doi.org/10.1016/j.addbeh.2018.02.017 PMID:29459201
70.Pettorruso M, Valle S, Cavic E, Martinotti G, di Giannantonio M, Grant JE. Uso problemático da Internet (PIU), perfis de
personalidade e desregulação emocional em uma coorte de jovens adultos: trajetórias de comportamentos de
risco ao vício. Psiquiatra Res. 2020; 289:113036.https://doi.org/10.1016/j.psychres.2020. 113036 PMID:32450451