دوره 14، شماره 2 - ( 4-1405 )
جلد 14 شماره 2 صفحات 37-27 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Javanmard P, Noferesti A, Rostami R. The relative contribution of predictive components of internet addiction and its association with depression and stress among young adults in Urmia. jmsthums 2026; 14 (2) :27-37
URL: http://jms.thums.ac.ir/article-1-1440-fa.html
URL: http://jms.thums.ac.ir/article-1-1440-fa.html
جوانمرد پارسا، نوفرستی اعظم، رستمی رضا. سهم نسبی مؤلفه‌های پیش‌بینی کننده اعتیاد به اینترنت و ارتباط آن با افسردگی و استرس در جوانان شهر ارومیه. مجله دانشگاه علوم پزشکی تربت حیدریه. 1405; 14 (2) :27-37
پارسا جوانمرد1 
، اعظم نوفرستی*1 ، رضا رستمی1
، اعظم نوفرستی*1 ، رضا رستمی1
1- گروه روانشناسی بالینی، دانشکده روانشناسی و علوم تربیتی، پردیس بین‌المللی ارس، دانشگاه تهران، تهران، ایران
چکیده: (24 مشاهده)
زمینه و هدف: اعتیاد به اینترنت یک نگرانی بهداشت عمومی است که نشانه بارز آن مصرف بیش‌ازحد اینترنت که سبب اختلال در عملکرد روزانه شود می‌باشد. لذا مطالعه حاضر باهدف تعیین مؤلفه‌های مؤثر بر اعتیاد به اینترنت و ارتباط آن با استرس و افسردگی جوانان شهر ارومیه انجام شد.
روش ها: در این مطالعه توصیفی-تحلیلی از نوع مقطعی600 نفر جوان 18 تا 30 ساله در سال ۱۴۰۳-۱۴۰۴ در شهر ارومیه از طریق نمونه‌گیری در دسترس انتخاب شدند و به پرسش نامه‌ها به‌صورت حضوری پاسخ دادند. از پرسشنامه اعتیاد به اینترنت یانگ (IAT) و پرسش نامه افسردگی، اضطراب و استرس (DASS-21) استفاده شد. داده‌ها با استفاده از آماره‌های توصیفی (فراوانی و درصد) و آزمون‌های آماری (ضرایب همبستگی پیرسون، رگرسیون خطی چندگانه) در سطح معنی‌داری ۱ درصد مورد تجزیه‌وتحلیل قرار گرفت.
نتایج: شرکت‌کنندگان مطالعه شامل 342 نفر (57 درصد) زن و 258 نفر (43 درصد) مرد بودند. نتایج رگرسیون چندگانه نشان داد که قوی‌ترین پیش‌بین‌کننده‌های اعتیاد به اینترنت به ترتیب عبارت بودند از: افسردگی (0/40–0/97: 95٪=CI، 0/23=β)، استرس (0/35–0/91: 95٪=CI، 0/21 =β،)، سن (2/74–5/47: 95٪=CI، 0/25=β)، میزان درآمد ماهانه (3/31- -5/40-: 95٪=CI، 0/36- =β، شغل مادر (3/38 -1/33: 95٪=CI، 0/17=(β، و سطح اقتصادی خانواده (4/60-0/21: 95٪=CI، 0/90=β، 0/03> p) (0/01> p). مدل رگرسیون درمجموع 38/5 درصد از واریانس اعتیاد به اینترنت را تبیین کرد.
نتیجه گیری: با توجه به نتایج مطالعه، طراحی و اجرای برنامه‌های عملیاتی ازجمله برنامه‌های آموزشی مهارت‌های مقابله‌ای در مدارس و دانشگاه‌ها، مداخلات مشاوره‌ای گروهی برای کاهش نشانگان افسردگی و استرس و ارائه خدمات حمایتی به خانواده‌های کم‌درآمد ضروری به نظر می‌رسد.
روش ها: در این مطالعه توصیفی-تحلیلی از نوع مقطعی600 نفر جوان 18 تا 30 ساله در سال ۱۴۰۳-۱۴۰۴ در شهر ارومیه از طریق نمونه‌گیری در دسترس انتخاب شدند و به پرسش نامه‌ها به‌صورت حضوری پاسخ دادند. از پرسشنامه اعتیاد به اینترنت یانگ (IAT) و پرسش نامه افسردگی، اضطراب و استرس (DASS-21) استفاده شد. داده‌ها با استفاده از آماره‌های توصیفی (فراوانی و درصد) و آزمون‌های آماری (ضرایب همبستگی پیرسون، رگرسیون خطی چندگانه) در سطح معنی‌داری ۱ درصد مورد تجزیه‌وتحلیل قرار گرفت.
نتایج: شرکت‌کنندگان مطالعه شامل 342 نفر (57 درصد) زن و 258 نفر (43 درصد) مرد بودند. نتایج رگرسیون چندگانه نشان داد که قوی‌ترین پیش‌بین‌کننده‌های اعتیاد به اینترنت به ترتیب عبارت بودند از: افسردگی (0/40–0/97: 95٪=CI، 0/23=β)، استرس (0/35–0/91: 95٪=CI، 0/21 =β،)، سن (2/74–5/47: 95٪=CI، 0/25=β)، میزان درآمد ماهانه (3/31- -5/40-: 95٪=CI، 0/36- =β، شغل مادر (3/38 -1/33: 95٪=CI، 0/17=(β، و سطح اقتصادی خانواده (4/60-0/21: 95٪=CI، 0/90=β، 0/03> p) (0/01> p). مدل رگرسیون درمجموع 38/5 درصد از واریانس اعتیاد به اینترنت را تبیین کرد.
نتیجه گیری: با توجه به نتایج مطالعه، طراحی و اجرای برنامه‌های عملیاتی ازجمله برنامه‌های آموزشی مهارت‌های مقابله‌ای در مدارس و دانشگاه‌ها، مداخلات مشاوره‌ای گروهی برای کاهش نشانگان افسردگی و استرس و ارائه خدمات حمایتی به خانواده‌های کم‌درآمد ضروری به نظر می‌رسد.
فهرست منابع
1. Lozano-Blasco R, Robres AQ, Sánchez AS. Internet addiction in young adults: A meta-analysis and systematic review. Computers in Human Behavior. 2022;130:107201. [DOI:10.1016/j.chb.2022.107201]
2. Stanković M, Nešić M, Čičević S, Shi Z. Association of smartphone use with depression, anxiety, stress, sleep quality, and internet addiction. Personality and Individual Differences. 2021;168:110342. [DOI:10.1016/j.paid.2020.110342]
3. Sabatini F. The behavioral, economic, and political impact of the Internet and social media: Empirical challenges and approaches. Journal of Economic Surveys. 2025 Jul;39(3):1000-36. [DOI:10.1111/joes.12629]
4. Blasi MD, Giardina A, Giordano C, et al. Problematic video game use as an emotional coping strategy. Journal of Behavioral Addictions. 2019;8(1):25-34. [DOI:10.1556/2006.8.2019.02]
5. Stanković M, Nešić M. Association of internet addiction with depression, anxiety, and stress. Current Research in Behavioral Sciences. 2022;3:100071. [DOI:10.1016/j.crbeha.2022.100071]
6. Young KS. Internet addiction: The emergence of a new clinical disorder. Cyberpsychology & Behavior. 1998;1(3):237-244. [DOI:10.1089/cpb.1998.1.237]
7. Ruckwongpatr K, Chirawat P, Ghavifekr S, Gan WY, Tung SE, Nurmala I, Nadhiroh SR, Pramukti I, Lin CY. Problematic internet use (PIU) in youth: a brief literature review of selected topics. Current Opinion in Behavioral Sciences. 2022 Aug 1;46:101150. [DOI:10.1016/j.cobeha.2022.101150]
8. Meng SQ, Cheng JL, Li YY, et al. Global prevalence of digital addiction. Clinical Psychology Review. 2022;92:102128. [DOI:10.1016/j.cpr.2022.102128]
9. Hernández C, Ferrada M, Ciarrochi J, Quevedo S, Garcés JA, Hansen R, Sahdra B. The cycle of solitude and avoidance: a daily life evaluation of the relationship between internet addiction and symptoms of social anxiety. Frontiers in Psychology. 2024 Jan 22;15:1337834. [DOI:10.3389/fpsyg.2024.1337834]
10. Šablatúrová N, Gottfried J, Blinka L, et al. Eating disorders symptoms and internet use. Journal of Eating Disorders. 2021;9:1-8. [DOI:10.1186/s40337-021-00506-5]
11. Kim YJ, Jang HM, Lee Y, et al. Effects of internet and smartphone addictions. International Journal of Environmental Research and Public Health. 2018;15(5):859. [DOI:10.3390/ijerph15050859]
12. Shen X, Wang C, Chen C, Wang Y, Wang Z, Zheng Y, Liu H. Stress and internet addiction: Mediated by anxiety and moderated by self-control. Psychology Research and Behavior Management. 2023 Dec 31:1975-86. [DOI:10.2147/PRBM.S411412]
13. Alimoradi Z, Lin CY, Broström A, et al. Internet addiction and sleep problems. Sleep Medicine Reviews. 2019;47:51-61. [DOI:10.1016/j.smrv.2019.06.004]
14. Jovanović V, Gavrilov-Jerković V, Lazić M. Differentiation between depression, anxiety, and stress. Current Psychology. 2021;40(12):6045-6056. [DOI:10.1007/s12144-019-00540-2]
15. Elhai JD, Levine JC, Hall BJ. Anxiety and smartphone use. Journal of Anxiety Disorders. 2019;62:45-52. [DOI:10.1016/j.janxdis.2018.11.005]
16. Randjelovic P, Stojiljkovic N, Radulovic N, et al. Problematic smartphone use and chronotype. European Addiction Research. 2021;27(1):67-74. [DOI:10.1159/000506738]
17. Mendoza Palechor F, De la Hoz Manotas A, Neira-Rodado D. Bi-class classification system for depression detection. In: International Conference on Human-Computer Interaction. Springer; 2024:130-143. [DOI:10.1007/978-3-031-76809-5_10]
18. Stojiljković J, Stanković M. Depressive state and social anxiety in adolescents. The American Journal of Family Therapy. 2018;46(3):243-257. [DOI:10.1080/01926187.2018.1506269]
19. Joseph J, Varghese A, Dhandapani M, Grover S, Sharma S, Khakha D, Mann S, Varkey BP. Prevalence of internet addiction among college students in the Indian setting: a systematic review and meta-analysis. General psychiatry. 2021 Aug 20;34(4):e100496. [DOI:10.1136/gpsych-2021-100496]
20. Gavurova B, Khouri S, Ivankova V, Rigelsky M, Mudarri T. Internet addiction, symptoms of anxiety, depressive symptoms, stress among higher education students during the COVID-19 pandemic. Frontiers in Public Health. 2022 Jun 14;10:893845. [DOI:10.3389/fpubh.2022.893845]
21. Liu Y, Duan L, Shen Q, Ma Y, Chen Y, Xu L, Wu Y, Zhang T. The mediating effect of internet addiction and the moderating effect of physical activity on the relationship between alexithymia and depression. Scientific Reports. 2024 Apr 29;14(1):9781. [DOI:10.1038/s41598-024-60326-w]
22. Alavi SS. Psychometric properties of Young internet addiction test. International Journal of Behavioral Sciences. 2010 Nov 1;4(3):183-9.
23. Lovibond PF, Lovibond SH. The structure of negative emotional states: Comparison of the Depression Anxiety Stress Scales (DASS) with the Beck Depression and Anxiety Inventories. Behaviour research and therapy. 1995 Mar 1;33(3):335-43. [DOI:10.1016/0005-7967(94)00075-U]
24. Kakemam E, Navvabi E, Albelbeisi AH, Saeedikia F, Rouhi A, Majidi S. Psychometric properties of the Persian version of Depression Anxiety Stress Scale-21 Items (DASS-21) in a sample of health professionals: a cross-sectional study. BMC health services research. 2022 Jan 26;22(1):111. [DOI:10.1186/s12913-022-07514-4]
25. Zhao L, Li X, Yang Q, Peng Y, Jiang L, Jia P, Shi W. The longitudinal association between internet addiction and depressive and anxiety symptoms among Chinese adolescents before and during the COVID-19 pandemic. Frontiers in Public Health. 2023 Jan 18;10:1096660. [DOI:10.3389/fpubh.2022.1096660]
26. Feng Y, Ma Y, Zhong Q. The relationship between adolescents' stress and internet addiction: A mediated-moderation model. Frontiers in psychology. 2019 Oct 4;10:2248. [DOI:10.3389/fpsyg.2019.02248]
27. Song WJ, Park JW. The influence of stress on internet addiction: Mediating effects of self-control and mindfulness. International Journal of Mental Health and Addiction. 2019 Aug 15;17:1063-75. [DOI:10.1007/s11469-019-0051-9]
28. D'Souza L, Manish S, Raj S. Relationship between academic stress and internet addiction among college students. International Journal of Indian Psychology. 2018;6(2):100-8. [DOI:10.25215/0602.010]
29. Erhel S, Drouard J, Jacob F, Lumeau M, Suire R, Gonthier C. Predictors of problematic internet use in the everyday internet activities of a French representative sample: The importance of psychological traits. Computers in Human Behavior. 2024 Apr 1;153:108099. [DOI:10.1016/j.chb.2023.108099]
30. Ozturk FO, Ayaz-Alkaya S. Internet addiction and psychosocial problems among adolescents during the COVID-19 pandemic: A cross-sectional study. Archives of psychiatric nursing. 2021 Dec 1;35(6):595-601. [DOI:10.1016/j.apnu.2021.08.007]
31. Yang HM, Kim HR. Work-family conflict on children's internet addiction: Role of parenting styles in Korean working mother. International journal of environmental research and public health. 2021 May 27;18(11):5774. [DOI:10.3390/ijerph18115774]
32. He ZH, Li MD, Ma XY, Liu CJ. Family socioeconomic status and social media addiction in female college students: the mediating role of impulsiveness and inhibitory control. The Journal of Genetic Psychology. 2021 Jan 2;182(1):60-74. [DOI:10.1080/00221325.2020.1853027]
33. Ibrahim AK, Fouad I, Kelly SJ, El Fawal B, Ahmed GK. Prevalence and determinants of internet addiction among medical students and its association with depression. Journal of Affective Disorders. 2022 Oct 1;314:94-102. [DOI:10.1016/j.jad.2022.07.007]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
This work is licensed under a Creative Commons Attribution 4.0 International License.
Designed & Developed by : Yektaweb