Wstęp

Niniejszy raport stanowi kompleksowe podsumowanie projektu analitycznego dotyczącego zjawiska uzależnienia od mediów społecznościowych wśród studentów. Głównym celem badania była identyfikacja kluczowych czynników wpływających na poziom uzależnienia oraz weryfikacja jego korelacji z jakością życia, zdrowiem psychicznym i wynikami w nauce.

Charakterystyka zbioru danych

Analizę przeprowadzono na zbiorze danych obejmującym 705 studentów w wieku od 16 do 26 lat. Badana grupa jest zrównoważona pod względem płci (353 kobiety i 352 mężczyzn). Zbiór zawiera szereg zmiennych diagnostycznych, takich jak:

Demografia: Płeć, wiek, wykształcenie, kraj pochodzenia oraz status związku.

Zachowanie: Główna platforma (np. TikTok, Instagram), średni dzienny czas spędzany na SM oraz średnia liczba godzin snu.

Wskaźniki psychologiczne: Wskaźnik uzależnienia, ocena zdrowia psychicznego oraz częstotliwość konfliktów na tle korzystania z sieci.

Metodologia i przygotowanie danych (Data cleansing, wrangling)

W pierwszej fazie projektu dokonano gruntownego przygotowania danych, co obejmowało:

Tłumaczenie i permutację: Nazwy zmiennych oraz ich wartości zostały przetłumaczone na język polski (np. statusy związku, poziomy edukacji), co zwiększa czytelność raportu.

Walidację logiczną: Sprawdzono poprawność rekordów pod kątem zakresów wieku (16–26 lat) oraz czasu użytkowania SM, co potwierdziło wysoką jakość i kompletność zbioru.

Data Cleansing i Wrangling

Przed przystąpieniem do właściwej analizy statystycznej, zbiór danych poddano procesowi czyszczenia (data cleaning) oraz weryfikacji logicznej, aby zapewnić spójność i wiarygodność wyników.

Data Cleansing

W tej sekcji udowadniamy, że pracujemy na rzetelnych danych. Wykorzystaliśmy pakiety naniar oraz visdat do weryfikacji braków danych.

Dokonaliśmy sprawdzenia, czy w naszym zbiorze występują braki

Social_media_dane <- read.csv("Students Social Media Addiction.csv")
n_miss(Social_media_dane)
## [1] 0

Analiza wykazała 0 brakujących rekordów, co potwierdza kompletność zbioru.

Nazwy zmiennych zostały przetłumaczone na język polski, a wartości tekstowe ujednolicone

dane_pl <- Social_media_dane %>%
  rename(
    "Wykształcenie" = Academic_Level,
    "Wskaźnik uzależnienia" = Addicted_Score,
    "Wpływ na naukę" = Affects_Academic_Performance,
    "Wiek" = Age,
    "Czas na SM [godz.]" = Avg_Daily_Usage_Hours,
    "Konflikty przez SM" = Conflicts_Over_Social_Media,
    "Kraj" = Country,
    "Płeć" = Gender,
    "Ocena zdrowia psychicznego" = Mental_Health_Score,
    "Główna platforma" = Most_Used_Platform,
    "Status związku" = Relationship_Status,
    "Godziny snu/noc" = Sleep_Hours_Per_Night,
    "ID Studenta" = Student_ID
  )

Wizualizacje potwierdzają, że w naszym zbiorze danych nie ma braków:

miss_var_summary(dane_pl)
vis_miss(dane_pl) +
  ggplot2::coord_flip()

gg_miss_var(dane_pl) +
  labs(
    y = "Liczba brakujących danych",
    x = "Zmienne",
    title = "Braki danych w social media"
  ) +
  theme(plot.title = element_text(hjust = 0.5))

Zbiór danych dotyczący uzależnienia od mediów społecznościowych wśród studentów jest kompletny.

Data Wrangling

Przy użyciu pakietu “countries” sprawdzono poprawność wpisów w kolumnie “Kraj”. Analiza wykazała brak literówek w nazwach państw.

dane_pelne_pl <- dane_pl %>% 
  mutate(
    # 1. Płeć
    `Płeć` = case_when(
      `Płeć` == "Female" ~ "Kobieta",
      `Płeć` == "Male" ~ "Mężczyzna",
      TRUE ~ `Płeć`
    ),
    
    # 2. Wykształcenie
    `Wykształcenie` = case_when(
      `Wykształcenie` == "Undergraduate" ~ "W trakcie studiów",
      `Wykształcenie` == "Graduate" ~ "Absolwent studiów",
      `Wykształcenie` == "High School" ~ "Uczeń szkoły średniej",
      TRUE ~ `Wykształcenie`
    ),
    
    # 3. Status związku
    `Status związku` = case_when(
      `Status związku` == "Single" ~ "Wolny/a",
      `Status związku` == "In Relationship" ~ "W związku", 
      `Status związku` == "Complicated" ~ "To skomplikowane",
      TRUE ~ `Status związku`
    ),
    
    # 4. Odpowiedzi Tak/Nie (dla Wpływu na naukę i ewentualnie Konfliktów)
    `Wpływ na naukę` = case_when(
      `Wpływ na naukę` == "Yes" ~ "Tak",
      `Wpływ na naukę` == "No" ~ "Nie",
      TRUE ~ `Wpływ na naukę`
    )
  )

lista_krajow <- dane_pelne_pl$Kraj

prawidlowy_kraj <- is_country(lista_krajow, fuzzy_match = TRUE)

# jeśli coś jest FALSE, pokazujemy problematyczne wpisy
if (!all(prawidlowy_kraj)) {
  message("UWAGA: poniższe wpisy NIE są dokładnie rozpoznawanymi krajami:")
  print(sort(unique(lista_krajow[!prawidlowy_kraj])))
} else {
  message("OK: wszystkie wpisy są poprawnymi nazwami/kodami krajów (bez literówek).")
}
## [1] "Kosovo"

System zgłosił wyjątek dla wpisu „Kosovo”, co wynika z braku tego kraju na oficjalnej liście kodów ISO 3166 wykorzystywanej przez bibliotekę. Zweryfikowano ręcznie, że jest to poprawna nazwa geograficzna, a nie błąd w danych, w związku z czym rekordy te pozostawiono w zbiorze.

W celu wyeliminowania wartości odstających (outlierów), które mogłyby wynikać z błędnego wprowadzenia danych, zdefiniowano zestaw reguł walidacyjnych opartych na logice dziedzinowej badania (grupa docelowa: studenci/uczniowie):

Wiek: Oczekiwany przedział 16–26 lat (typowy wiek dla uczniów szkół średnich i studentów).

Sen: Czas snu ograniczono do przedziału 0–12 godzin na dobę.

Media społecznościowe: Czas spędzany na SM ograniczono do 0–10 godzin dziennie.

zasady <- validator(
  Wiek_prawidlowy = Wiek >= 16 & Wiek <= 26,
  Sen_prawidlowy  = `Godziny snu/noc` >= 0 & `Godziny snu/noc` <= 12,
  SM_limit        = `Czas na SM [godz.]` >= 0 & `Czas na SM [godz.]` <= 10
)

sprawdzenie <- confront(dane_pelne_pl, zasady, key="ID Studenta")

wyniki_walidacji <- summary(sprawdzenie) %>% 
  mutate(
    # Obliczamy procent poprawnych
    Procent_OK = passes / items,
    # Ładniejsze nazwy do wyświetlenia na osi
    Nazwa_Reguly = case_when(
      name == "Wiek_prawidlowy" ~ "Wiek (16-26 lat)",
      name == "Sen_prawidlowy" ~ "Sen (0-12 h)",
      name == "SM_limit" ~ "Social Media (0-10 h)",
      TRUE ~ name
    )
  )

ggplot(wyniki_walidacji, aes(x = Nazwa_Reguly, y = passes)) +
  geom_col(fill = "#4682B4", width = 0.6) +
  geom_text(aes(label = paste0(passes, " OK")), vjust = -0.5, fontface = "bold") +
  labs(
    title = "Raport jakości danych",
    subtitle = "Liczba obserwacji spełniających kryteria logiczne",
    y = "Liczba poprawnych rekordów",
    x = ""
  ) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.1))) +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 16, face = "bold"),
    axis.text.x = element_text(size = 11, face = "bold"),
    panel.grid.major.x = element_blank()
  )

Przeprowadzony test wykazał, że 100% rekordów spełnia zdefiniowane kryteria logiczne. Zbiór danych jest kompletny, spójny i gotowy do dalszej eksploracji.

Analiza opisowa

W tej sekcji przedstawiono charakterystykę badanej grupy pod kątem kluczowej zmiennej – Wskaźnika uzależnienia od mediów społecznościowych – oraz jej relacji ze zmiennymi demograficznymi (płeć, wykształcenie) i behawioralnymi (czas snu, wpływ na naukę).

W celu ułatwienia interpretacji, ciągła zmienna określająca poziom uzależnienia (skala numeryczna) została poddana kategoryzacji na cztery grupy. Podziału dokonano w oparciu o ustalone przedziały punktowe:

Niskie: 2–3 pkt

Umiarkowane: 4–5 pkt

Średnie: 6–7 pkt

Wysokie: 8–9 pkt

Taki zabieg pozwala na identyfikację grup ryzyka oraz ocenę powszechności zjawiska w badanej populacji.

uzaleznienie_num <- as.numeric(dane_pelne_pl$'Wskaźnik uzależnienia')
etykiety_uzaleznienia <- c("Niskie (2-3)", "Umiarkowane (4-5)", 
                           "Średnie (6-7)", "Wysokie (8-9)")
grupy_uzaleznienia <- cut(uzaleznienie_num, 
                          breaks = c(1, 3, 5, 7, 9),
                          labels = etykiety_uzaleznienia,
                          include.lowest = TRUE)
tabela <- data.frame(Grupa = grupy_uzaleznienia) %>%
  count(Grupa) %>%                      
  mutate(
    Procent = n / sum(n) * 100,            
    Procent = round(Procent, 1)           
  )


kbl(tabela, 
    col.names = c("Poziom uzależnienia", "Liczba studentów", "Procent (%)"),
    caption = "",
    align = "c") %>%                       
  kable_classic(full_width = F, html_font = "Cambria") %>%  
  row_spec(0, bold = T, color = "white", background = "#2c3e50") %>% 
  column_spec(1, bold = T) %>%             
  add_header_above(c(" " = 1, "Statystyki" = 2))
Statystyki
Poziom uzależnienia Liczba studentów Procent (%)
Niskie (2-3) 17 2.4
Umiarkowane (4-5) 219 31.1
Średnie (6-7) 270 38.3
Wysokie (8-9) 199 28.2

Analiza danych zgromadzonych w tabeli wskazuje, że zdecydowana większość studentów przejawia podwyższony poziom uzależnienia od mediów społecznościowych. Najliczniejszą grupę stanowią osoby o średnim poziomie uzależnienia (38,3%), a tuż za nią plasuje się grupa o poziomie umiarkowanym (31,1%).

Jakość tego podziału zweryfikowano testem TAI

tai_test <- classIntervals(uzaleznienie_num, 
                           n = 4, 
                           style = "fixed",
                           fixedBreaks = c(1, 3, 5, 7, 9))
jenks.tests(tai_test)
##        # classes  Goodness of fit Tabular accuracy 
##        4.0000000        0.8526039        0.6162536

Uzyskany wynik powyżej 0.80 potwierdza, że przyjęte klasy dobrze odwzorowują strukturę danych.

Analiza wizualna przy użyciu histogramów z naniesionymi krzywymi gęstości (Density Plot) pozwoliła na sformułowanie następujących obserwacji:

par(mfrow=c(1,1))

hist(dane_pelne_pl$`Czas na SM [godz.]`, 
     breaks = "FD",
     col = "lightblue", 
     probability = TRUE,
     main = "Czas spędzany na social media - rozkład wg płci",
     xlab = "Godziny dziennie",
     ylab = "Gęstość",
     cex.main = 1.4,
     ylim = c(0, 0.45))

lines(density(dane_pelne_pl$`Czas na SM [godz.]`[dane_pelne_pl$Płeć == "Kobieta"]), 
      col = "red", lwd = 2)
lines(density(dane_pelne_pl$`Czas na SM [godz.]`[dane_pelne_pl$Płeć == "Mężczyzna"]), 
      col = "blue", lwd = 2)

legend("bottom", 
       legend = c("Kobieta", "Mężczyzna"),
       col = c("red", "blue"), 
       lty = 1, lwd = 2,
       box.lty = 0, cex = 0.9)

par(mar=c(5, 4, 5, 2))

Rozkłady wskaźnika uzależnienia dla kobiet i mężczyzn są do siebie zbliżone. Obie krzywe wykazują podobny kształt, co sugeruje brak wyraźnej asymetrii w zachowaniach cyfrowych pomiędzy płciami.

W celu pogłębienia analizy, dokonano dekompozycji wskaźnika uzależnienia względem kluczowych cech demograficznych: płci oraz poziomu wykształcenia . Poniższe zestawienia prezentują kompletny obraz rozkładu danych, uwzględniając nie tylko miary tendencji centralnej (średnia, mediana), ale także miary rozproszenia (SD, IQR) i kształtu (skośność, kurtoza).

#Przygotowanie wektorów pomocniczych
kobiety_val <- uzaleznienie_num[dane_pelne_pl$Płeć == "Kobieta"]
mezczyzni_val <- uzaleznienie_num[dane_pelne_pl$Płeć == "Mężczyzna"]

#Przygotowanie danych do wykresu (Density plot)
df_density <- data.frame(
  Uzależnienie = uzaleznienie_num,
  Płeć = dane_pelne_pl$Płeć
)

#Density plot
density.p <- ggdensity(df_density, 
                       x = "Uzależnienie",
                       fill = "Płeć", 
                       palette = c("pink", "lightblue"),
                       add = "mean", 
                       rug = TRUE) +
  stat_overlay_normal_density(color = "red", linetype = "dashed") +
  labs(title = "Rozkład wskaźnika uzależnienia według płci",
       x = "Wskaźnik uzależnienia (2-9)",
       y = "Gęstość")

#Tabela statystyk
stable <- data.frame(
  Płeć = c("Kobieta", "Mężczyzna"),
  
  N = c(length(kobiety_val), length(mezczyzni_val)),
  
  Średnia = c(round(mean(kobiety_val, na.rm = TRUE), 2),
              round(mean(mezczyzni_val, na.rm = TRUE), 2)),
  
  SD = c(round(sd(kobiety_val, na.rm = TRUE), 2),
         round(sd(mezczyzni_val, na.rm = TRUE), 2)),
  
  Mediana = c(round(median(kobiety_val, na.rm = TRUE), 2),
              round(median(mezczyzni_val, na.rm = TRUE), 2)),
  
  # --- NOWE ELEMENTY ---
  IQR = c(round(IQR(kobiety_val, na.rm = TRUE), 2),
          round(IQR(mezczyzni_val, na.rm = TRUE), 2)),
  
  Skośność = c(round(skew(kobiety_val, na.rm = TRUE), 2),
               round(skew(mezczyzni_val, na.rm = TRUE), 2)),
  
  Kurtoza = c(round(kurtosi(kobiety_val, na.rm = TRUE), 2),
              round(kurtosi(mezczyzni_val, na.rm = TRUE), 2))
)

#Tworzenie tabeli graficznej
stable.p <- ggtexttable(stable, rows = NULL, 
                        theme = ttheme("mBlue", base_size = 10))

text <- paste("Rozkład wskaźnika uzależnienia od mediów społecznościowych",
              "wśród 705 studentów według płci.", sep = " ")
text.p <- ggparagraph(text = text, face = "italic", size = 11, color = "black")

#Aranżacja całości
ggarrange(density.p, stable.p, text.p,
          ncol = 1, nrow = 3,
          heights = c(1, 0.4, 0.2))

Dane wskazują na brak istotnych różnic w poziomie uzależnienia między płciami. Zarówno kobiety, jak i mężczyźni uzyskują zbliżone średnie (K: 6.52 vs M: 6.36) oraz identyczną medianę (7), co świadczy o ogólnej tendencji do wysokich wyników w całej populacji.

Kluczową cechą rozkładu jest jego bimodalność (dwa szczyty) oraz lewoskośność (ujemna skośność). Oznacza to, że w badanej próbie dominują dwie grupy: osoby o umiarkowanym oraz wysokim stopniu uzależnienia, przy czym wyniki niskie stanowią mniejszość. Jedyną zauważalną różnicą jest nieco większa stabilność odpowiedzi mężczyzn (SD=1.45) w porównaniu do kobiet (SD=1.71), które wykazują szerszy rozrzut wyników.

Zdecydowanie bardziej zróżnicowany obraz wyłania się z analizy poziomu wykształcenia:

dane_pelne_pl %>%
  group_by(Wykształcenie) %>%
  summarize(
    N = n(),
    Min = min(as.numeric(`Wskaźnik uzależnienia`), na.rm = TRUE),
    Max = max(as.numeric(`Wskaźnik uzależnienia`), na.rm = TRUE),
    Średnia = round(mean(as.numeric(`Wskaźnik uzależnienia`), na.rm = TRUE), 2),
    SD = round(sd(as.numeric(`Wskaźnik uzależnienia`), na.rm = TRUE), 2),
    Mediana = round(median(as.numeric(`Wskaźnik uzależnienia`), na.rm = TRUE), 2),
    Q1 = round(quantile(as.numeric(`Wskaźnik uzależnienia`), 0.25, na.rm = TRUE), 2),
    Q3 = round(quantile(as.numeric(`Wskaźnik uzależnienia`), 0.75, na.rm = TRUE), 2)
  ) %>%
 
  kbl(caption = "",
      align = "c") %>%
  kable_classic(full_width = F, html_font = "Cambria") %>%
  row_spec(0, bold = T, color = "white", background = "#2c3e50") %>%
  column_spec(1, bold = T, background = "#f9f9f9") %>%
  kable_styling(position = "center")
Wykształcenie N Min Max Średnia SD Mediana Q1 Q3
Absolwent studiów 325 2 9 6.24 1.49 7 5 7
Uczeń szkoły średniej 27 4 9 8.04 1.13 8 8 9
W trakcie studiów 353 3 9 6.49 1.63 7 5 8

Szczególną uwagę zwraca grupa „Uczeń szkoły średniej”, która osiągnęła drastycznie wyższy średni poziom uzależnienia (8.04) w porównaniu do studentów (6.49) i absolwentów (6.24).

W grupie uczniów szkół średnich nawet pierwszy kwartyl (Q1) wynosi 8, co oznacza, że aż 75% osób w tej grupie przejawia bardzo wysoki poziom uzależnienia.

Wizualizacje Danych

Zastosowaliśmy różnorodne techniki wizualizacji, aby zidentyfikować wzorce zachowań studentów.

Platformy a czas: Wykres skrzypcowy (violin plot) pokazuje, że rozkład czasu spędzanego na różnych platformach jest zróżnicowany, z wyraźnymi punktami skupienia dla konkretnych aplikacji.

Ranking “toksyczności”: Wykres słupkowy średniego uzależnienia wskazuje, które platformy (np. TikTok) wiążą się z najwyższymi wynikami Addiction Score.

Wizualizacja czasu spędzanego na platformach

Pierwszym krokiem w analizie behawioralnej studentów było zbadanie, ile czasu dziennie poświęcają oni na konkretne aplikacje społecznościowe.

ggplot(dane_pelne_pl, aes(x = `Główna platforma`, y = `Czas na SM [godz.]`, fill = `Główna platforma`)) +
  # Wykres skrzypcowy (kształt rozkładu)
  geom_violin(alpha = 0.6, trim = FALSE, color = NA) + 
  geom_jitter(width = 0.2, alpha = 0.4, size = 1.5) +
  # Kolory
  scale_fill_viridis(discrete = TRUE, option = "D") +
  # Styl i etykiety
  theme_minimal(base_size = 14) +
  labs(
    title = "Ile czasu studenci spędzają na poszczególnych aplikacjach?",
    subtitle = "Rozkład godzin dziennie w podziale na najczęściej używaną platformę",
    x = "Platforma",
    y = "Średnia liczba godzin dziennie"
  ) +
  theme(legend.position = "none",
        axis.text.x = element_text(size = 10, angle = 45, hjust = 1) 
  )

Studenci najwięcej czasu poświęcają aplikacjom WhatsApp oraz TikTok, spędzając na nich średnio od 5 do 8 godzin dziennie.

Najniższy średni czas użytkowania odnotowano dla platformy LinkedIn (ok. 2,5h), co podkreśla jej czysto zawodowy charakter.

Na Instagramie i Facebooku widoczne są największe skrajności – obok użytkowników umiarkowanych występują osoby spędzające tam blisko 8 godzin na dobę.

W przeciwieństwie do TikToka, YouTube charakteryzuje się bardziej skupionym rozkładem wokół 4 godzin, bez tak licznych wyników ekstremalnych.

Profil edukacyjny użytkowników platform

Kolejnym etapem analizy było sprawdzenie, jak poziom wykształcenia różnicuje wybór głównych kanałów komunikacji. Poniższy wykres skumulowany przedstawia procentowy udział uczniów, studentów oraz absolwentów w obrębie każdej z badanych aplikacji.

#Wykres słupkowy
ggplot(dane_pelne_pl, aes(x = `Główna platforma`, fill = `Wykształcenie`)) +
  geom_bar(position = "fill", width = 0.7) + 
  scale_y_continuous(labels = scales::percent) + 
  scale_fill_viridis(discrete = TRUE, option = "G") +
  coord_flip() + 
  theme_minimal(base_size = 14) +
  labs(
    title = "Struktura wykształcenia użytkowników platform",
    x = "",
    y = "Udział procentowy",
    fill = "Poziom edukacji"
  )

Podsumowując powyższe zestawienie, najwyższy potencjał uzależniający wykazują platformy oparte na mechanizmie natychmiastowej gratyfikacji oraz ciągłej dostępności, takie jak WhatsApp, Snapchat i TikTok. Wyniki te potwierdzają, że im bardziej aplikacja nastawiona jest na rozrywkę i szybkie interakcje, tym wyższy poziom uzależnienia generuje u badanych studentów.

Ranking najbardziej uzależniających platform

Kolejnym etapem analizy było wyłonienie aplikacji o najwyższym potencjale uzależniającym wśród badanych studentów. Poniższe zestawienie prezentuje średni wynik wskaźnika uzależnienia w odniesieniu do głównej platformy.

#Wykresy ukazujące, gdzie leży problem uzależnienia od mediów społecznościowych
#Wykres słupkowy - ranking uzależniających platform
statystyki <- dane_pelne_pl %>%
  group_by(`Główna platforma`) %>%
  summarise(
    Mean_Addiction = mean(`Wskaźnik uzależnienia`),
    Count = n()
  ) %>%
  filter(Count > 10) 

# Rysujemy wykres
ggplot(statystyki, aes(x = reorder(`Główna platforma`, Mean_Addiction), y = Mean_Addiction)) +
  geom_col(aes(fill = Mean_Addiction), width = 0.7) +
  coord_flip() + 
  scale_fill_viridis(option = "magma", direction = -1) +
  theme_minimal(base_size = 14) +
  labs(
    title = "Ranking uzależniających platform",
    subtitle = "Średni wynik uzależnienia (Addiction Score) wg głównej platformy",
    x = "",
    y = "Średni wynik uzależnienia",
    fill = "Score"
  )

Analiza struktury wykształcenia pokazuje, że wybór platformy społecznościowej ewoluuje wraz z etapem życia i zmieniającymi się obowiązkami użytkowników. Podczas gdy uczniowie i studenci dominują na platformach opartych na szybkiej, wizualnej rozrywce (TikTok, Snapchat), absolwenci częściej wybierają narzędzia o charakterze użytkowym i zawodowym, takie jak WhatsApp czy LinkedIn.

Wpływ uzależnienia na wyniki w nauce

Ostatnim etapem wizualizacji jest analiza związku między subiektywnym poczuciem pogorszenia wyników w nauce a wskaźnikiem uzależnienia.

#Wykres 5: Uzależnienie od Social Mediów a wpływ na naukę
#Wykres panelowy - wpływ na naukę
ggplot(dane_pelne_pl, aes(x = `Wskaźnik uzależnienia`, fill = `Wpływ na naukę`)) + 
  geom_density(alpha = 0.7) +
  facet_wrap(~`Wpływ na naukę`) +   
  scale_fill_manual(values = c("#2A9D8F", "#E76F51")) +
  theme_minimal(base_size = 14) +
  labs(
    title = "Czy media społecznościowe psują oceny?",
    subtitle = "Rozkład poziomu uzależnienia w podziale na deklarowany wpływ na naukę",
    x = "Poziom uzależnienia (Score)",
    y = "Gęstość (częstość występowania)",
    fill = "Wpływ na naukę?"
  ) +
  theme(legend.position = "none")

Studenci deklarujący negatywny wpływ social mediów na naukę (grupa „Tak”) posiadają znacznie wyższe wyniki uzależnienia, skoncentrowane w przedziale 7–9 punktów.

Osoby nieodnotowujące problemów edukacyjnych (grupa „Nie”) wykazują niższy poziom uzależnienia, z dominującym wynikiem w okolicach 4–5 punktów.

Rozkłady sugerują, że przekroczenie 6. punktu w skali Addiction Score drastycznie zwiększa prawdopodobieństwo wystąpienia problemów z nauką.

Korelacja uzależnienia ze zdrowiem psychicznym

Kluczowym elementem badania było sprawdzenie, w jaki sposób stopień uzależnienia od mediów społecznościowych wiąże się z ogólną kondycją psychiczną wśród studentów.

ggplot(dane_pelne_pl, aes(x = `Wskaźnik uzależnienia`, y = `Ocena zdrowia psychicznego`)) +
  geom_point(aes(color = Płeć), alpha = 0.7, size = 3) +
  geom_smooth(method = "lm", color = "black", se = FALSE, linetype = "dashed") +
  scale_color_manual(values = c("#E63946", "#457B9D", "#2A9D8F")) + 
  theme_minimal(base_size = 14) +
  labs(
    title = "Czy uzależnienie wpływa na zdrowie psychiczne?",
    subtitle = "Korelacja między wynikiem uzależnienia a oceną zdrowia psychicznego",
    x = "Poziom uzależnienia (Score 1-10)",
    y = "Ocena zdrowia psychicznego (Score 1-10)",
    color = "Płeć"
  )

Zaobserwowano silną korelację ujemną – wraz ze wzrostem wskaźnika uzależnienia, subiektywna ocena zdrowia psychicznego drastycznie spada.

Najniższe noty zdrowia psychicznego (4 pkt) występują wyłącznie u osób z najwyższym poziomem uzależnienia (8–9 pkt).

Zarówno u kobiet, jak i u mężczyzn tendencja spadkowa jest zbliżona, co sugeruje uniwersalny wpływ nadmiaru mediów społecznościowych na psychikę, niezależnie od płci.

Ogólna korelacja Pearsona r = -0,87 potwierdza bardzo silny związek liniowy między badanymi zmiennymi.

Analiza uzależnienia względem płci i wyników w nauce

Poniższe zestawienie pozwala porównać zależności pomiędzy wpływem social mediów na naukę, a wskaźnikiem uzależnienia, uwzględniając dodatkowo podział na płeć badanych studentów. Dzięki takiej wizualizacji możemy ocenić, czy kłopoty z nauką są bezpośrednio powiązane z intensywnością korzystania z mediów społecznościowych.

#Wykres typu boxplot - Wskaźnik uzależnienia według płci i wpływu na naukę
uzaleznienie_num <- as.numeric(dane_pelne_pl$`Wskaźnik uzależnienia`)

etykiety_uzaleznienia <- c("Niskie (2-3)", "Umiarkowane (4-5)", 
                           "Średnie (6-7)", "Wysokie (8-9)")
grupy_uzaleznienia <- cut(uzaleznienie_num, 
                          breaks = c(1, 3, 5, 7, 9),
                          labels = etykiety_uzaleznienia,
                          include.lowest = TRUE)

df_facet1 <- data.frame(
  Płeć = dane_pelne_pl$Płeć,
  Uzależnienie = uzaleznienie_num,
  Wpływ = dane_pelne_pl$`Wpływ na naukę`
)

ggplot(df_facet1, aes(x = Płeć, y = Uzależnienie, fill = Płeć)) +
  geom_boxplot(alpha = 0.7, color = "black", size = 0.8) +
  stat_summary(fun = "mean", 
               geom = "point", 
               shape = 23, 
               size = 4, 
               color = "red", 
               fill = "yellow") +
  geom_jitter(alpha = 0.2, width = 0.2) +
  facet_grid(~Wpływ) +
  scale_fill_manual(values = c("pink", "lightblue")) +
  labs(title = "Wskaźnik uzależnienia według płci i wpływu na naukę",
       subtitle = "Żółty romb = średnia, linia = mediana",
       x = "Płeć",
       y = "Wskaźnik uzależnienia") +
  theme_minimal() +
  theme(legend.position = "bottom",
        plot.title = element_text(size = 18, face = "bold", hjust = 0.5),
        plot.subtitle = element_text(hjust = 0.5)
  )

Osoby deklarujące negatywny wpływ mediów społecznościowych na wyniki w nauce posiadają wyraźnie wyższy poziom uzależnienia (mediana ok. 7.5 pkt) w porównaniu do grupy, która nie odczuwa takich problemów (mediana ok. 4.5 pkt).

Zarówno wśród kobiet, jak i mężczyzn rozkład wskaźnika uzależnienia w poszczególnych grupach jest niemal identyczny, co sugeruje, że problem dotyczy obu płci w takim samym stopniu.

W grupie odnotowującej trudności w nauce (panel „Tak”) obserwujemy mniejszy rozrzut wyników – większość obserwacji koncentruje się w górnych granicach skali.

Czas spędzany w mediach społecznościowych a status związku i etap edukacji

W tej części analizy sprawdzamy, czy sytuacja prywatna oraz aktualny etap edukacji wpływają na intensywność korzystania z mediów społecznościowych. Zestawienie to pozwala zaobserwować, czy wraz z postępem nauki nasze nawyki ulegają zmianie oraz czy status związku różnicuje czas poświęcany na przeglądanie sieci.

#Wykres 8 - wykres typu boxplot Czas na SM według statusu związku i wykształcenia
df_facet2 <- data.frame(
  Status = dane_pelne_pl$`Status związku`,
  Czas = dane_pelne_pl$`Czas na SM [godz.]`,
  Edukacja = dane_pelne_pl$Wykształcenie
)

ggplot(df_facet2, aes(x = Status, y = Czas)) +
  geom_boxplot(aes(fill = Status), alpha = 0.7) +
  stat_summary(fun = "mean", geom = "point", shape = 20, size = 5, color = "red") +
  geom_jitter(alpha = 0.15) +
  facet_wrap(~Edukacja, ncol = 3) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Czas na social media według statusu związku i wykształcenia",
       x = "Status związku",
       y = "Godziny dziennie") +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        legend.position = "none",
        plot.title = element_text(size = 18, face = "bold", hjust = 0.5),
        plot.subtitle = element_text(hjust = 0.5)
  )

Absolwenci studiów wykazują tendencję do nieco mniejszego rozrzutu czasu spędzanego na SM w porównaniu do osób będących w trakcie studiów, co może wynikać z dodatkowych obowiązków zawodowych.

Osoby określające swój status jako „To skomplikowane” wykazują dużą wariancję wyników – w tej grupie spotykamy zarówno użytkowników korzystających z sieci sporadycznie, jak i osoby spędzające tam rekordową liczbę godzin.

W większości badanych kategorii średnie wartości (czerwone punkty) oscylują wokół 4–5 godzin dziennie, co sugeruje relatywnie stały wzorzec konsumpcji treści niezależnie od etapu życia.

Analiza zależności i korelacji - macierz

W tej sekcji zbadano siłę i kierunek powiązań między zmiennymi numerycznymi, aby zrozumieć systemowe zależności rządzące zjawiskiem uzależnienia.

Poniższa analiza pozwala zidentyfikować, które czynniki najsilniej współwystępują ze wskaźnikiem uzależnienia.

# Wybór zmiennych numerycznych do korelacji
dane_liczbowe <- dane_pelne_pl %>%
  select(
    "Wiek",
    "Czas na SM [godz.]",
    "Godziny snu/noc",
    "Wskaźnik uzależnienia",
    "Ocena zdrowia psychicznego",
    "Konflikty przez SM"
  )

# Obliczamy korelację
macierz_korelacji <- cor(dane_liczbowe, use = "complete.obs")

# Rysujemy macierz
ggcorrplot(macierz_korelacji, 
           method = "circle",
           type = "lower",
           lab = TRUE,
           colors = c("#E46726", "white", "#6D9EC1"),
           title = "Macierz korelacji zmiennych"
)

Tabela poniżej przedstawia dokładne wartości współczynników korelacji

macierz_korelacji %>%
  round(3) %>%
  as.data.frame() %>%
  rownames_to_column("Zmienna") %>%
  kbl(caption = "Tabela 1.9: Macierz korelacji Pearsona") %>%
  kable_material(c("striped", "hover")) %>%
  column_spec(1, bold = T, background = "#E8E8E8") %>%
  row_spec(0, bold = T, color = "white", background = "#003366")
Tabela 1.9: Macierz korelacji Pearsona
Zmienna Wiek Czas na SM [godz.] Godziny snu/noc Wskaźnik uzależnienia Ocena zdrowia psychicznego Konflikty przez SM
Wiek 1.000 -0.114 0.125 -0.166 0.160 -0.184
Czas na SM [godz.] -0.114 1.000 -0.791 0.832 -0.801 0.805
Godziny snu/noc 0.125 -0.791 1.000 -0.765 0.707 -0.677
Wskaźnik uzależnienia -0.166 0.832 -0.765 1.000 -0.945 0.934
Ocena zdrowia psychicznego 0.160 -0.801 0.707 -0.945 1.000 -0.894
Konflikty przez SM -0.184 0.805 -0.677 0.934 -0.894 1.000

Zgodnie z powyższą wizualizacją, zaobserwowano wiele silnych zależności pomiędzy zmiennymi. Czynniki takie jak ocena zdrowia psychicznego czy ilość konfliktów przez Social Media mają wartości bezwzględne współczynników korelacji względem oceny zdrowia psychicznego powyżej 0,9.

Topografia uzależnienia (Heatmapa)

Ostatnia wizualizacja integruje trzy kluczowe zmienne: czas spędzany w mediach społecznościowych (oś X), długość snu (oś Y) oraz poziom uzależnienia (kolor/poziomice). Wykres ten pozwala zlokalizować “strefy zagrożenia”.

mapa_ciepla <- plot_ly(
  dane_pelne_pl,
  x = ~`Czas na SM [godz.]`,
  y = ~`Godziny snu/noc`,
  z = ~`Wskaźnik uzależnienia`,
  type = "contour",
  colorscale = "Viridis",
  hovertemplate = "SM: %{x:.1f}h<br>Sen: %{y:.1f}h<br>Uzależnienie: %{z:.2f}<extra></extra>",
  colorbar = list(title = "Uzależnienie")
) %>%
  layout(
    title = list(
      text = "<b>Topografia uzależnienia - Mapa ciepła </b>",
      font = list(size = 16)
    ),
    xaxis = list(title = "Czas na social mediach (godz.)"),
    yaxis = list(title = "Godziny snu w nocy")
  )

mapa_ciepla

Jak widać, co także wydawało się być do przewidzenia, najniebezpieczniejsze względem potencjalnego uzależnienia są obserwacje o krótkim czasie snu oraz wysokim czasie spędzonym na social mediach.

Wnioskowanie statystyczne

W tej sekcji przechodzimy od analizy opisowej do weryfikacji hipotez badawczych. Sprawdzimy, czy obserwowane różnice są istotne statystycznie, czy mogą wynikać z przypadku.

Aby wyjść poza proste korelacje i zidentyfikować rzeczywiste przyczyny uzależnienia, zbudowano wielozmiennowy model regresji liniowej.

Podejście to pozwala ocenić niezależny wpływ każdego czynnika na Wskaźnik uzależnienia.

Parametry modelu:

  • Zmienna objaśniana (Y): Wskaźnik uzależnienia

  • Zmienne objaśniające (X): Czas na SM, Godziny snu, Ocena zdrowia psychicznego, Wiek oraz Płeć.

  • Ocena jakości: Współczynnik \(R^2\) (określający, jaki procent zmienności uzależnienia wyjaśnia nasz model).

model_liniowy <- lm(
  `Wskaźnik uzależnienia` ~ `Czas na SM [godz.]` + 
    `Godziny snu/noc` + 
    `Wiek` + 
    `Płeć` + 
    `Ocena zdrowia psychicznego`,
  data = dane_pelne_pl
)
summary_model <- summary(model_liniowy)
r2_val <- round(summary_model$r.squared, 2)
adj_r2_val <- round(summary_model$adj.r.squared, 2)

r_kwadrat <- paste0("Jakość modelu: R² = ", r2_val, 
                       " (Skorygowane R² = ", adj_r2_val, ")")
ggcoefstats(
  x = model_liniowy,
  title = "Które czynniki najsilniej przewidują uzależnienie?",
  subtitle = paste0("Współczynniki modelu regresji liniowej (z przedziałami ufności 95%)\n", r_kwadrat),
  xlab = "Współczynnik (Beta) - Siła wpływu",
  ylab = "Zmienna",
  k = 2,                    
  color = "#2c3e50",       
  ggtheme = ggplot2::theme_minimal()
)

Model regresji pozwala na wyciągnięcie precyzyjnych wniosków, kontrolując wpływ pozostałych zmiennych:

“Czas na SM” jest najsilniejszym predyktorem dodatnim. Każda dodatkowa godzina spędzona w mediach społecznościowych (przy niezmienionym czasie snu i wieku) podnosi wskaźnik uzależnienia o określoną wartość Beta (widoczną w tabeli).

W przypadku zmiennej “Zdrowie psychiczne” obserwujemy silny wpływ ujemny. Wyższa ocena zdrowia psychicznego wiąże się ze znacznym spadkiem wskaźnika uzależnienia.

Rola zmiennych “wiek” oraz “płeć” w modelu pokazuje, czy po uwzględnieniu czasu spędzanego na telefonie, wiek i płeć nadal mają znaczenie. Często okazuje się (co widać po p-value > 0.05), że demografia przestaje być istotna, gdy znamy nawyki behawioralne użytkownika.

Wartość współczynnika determinacji wyniosła 0.92, co oznacza, że model wyjaśnia aż 92% zmienności wskaźnika uzależnienia. Uwzględnione przez nas czynniki (Sen, Czas na SM, Zdrowie psychiczne) bardzo precyzyjnie tłumaczą, dlaczego ktoś jest uzależniony, a pozostałe 8% zależy od innych, niezbadanych cech.

Badanie normalności rozkładu

Przed wyborem odpowiednich testów statystycznych (parametryczne vs. nieparametryczne) musimy sprawdzić, czy rozkład kluczowej analizowanej zmiennej jest zbliżony do rozkładu normalnego (Krzywej Gaussa). Do tego zastosowano Test Shapiro-Wilka. W celu wizualizacji przedstawiono także kartogram, z zaznaczoną krzywą gęstości.

# Test Shapiro-Wilka dla Wskaźnika uzależnienia
test_shapiro <- shapiro.test(dane_pelne_pl$`Wskaźnik uzależnienia`)
print(test_shapiro)
## 
##  Shapiro-Wilk normality test
## 
## data:  dane_pelne_pl$`Wskaźnik uzależnienia`
## W = 0.92455, p-value < 2.2e-16
# Wizualizacja rozkładu
ggplot(dane_pelne_pl, aes(x = `Wskaźnik uzależnienia`)) +
  # 1. Histogram (słupki)
  geom_histogram(aes(y = ..density..), 
                 binwidth = 1,       
                 fill = "#69b3a2",   
                 color = "white") +  
  
  # 2. Krzywa Twoich danych (czerwona)
  geom_density(alpha = 0.2, fill = "red", color = "red") +
  
  # 3. Krzywa teoretyczna normalna (czarna przerywana)
  stat_function(fun = dnorm, 
                args = list(mean = mean(dane_pelne_pl$`Wskaźnik uzależnienia`, na.rm = TRUE), 
                            sd = sd(dane_pelne_pl$`Wskaźnik uzależnienia`, na.rm = TRUE)), 
                color = "black", linetype = "dashed", size = 1) +
  
  labs(title = "Analiza normalności rozkładu",
       subtitle = "Porównanie danych (czerwony) z idealnym rozkładem normalnym (czarny)",
       x = "Wskaźnik uzależnienia",
       y = "Gęstość") +
  theme_minimal()

Wnioski: Ponieważ p-value < 0.05, odrzucamy hipotezę o normalności rozkładu. Wykres potwierdza, że dane odbiegają od idealnej krzywej Gaussa. Oznacza to, że w dalszej analizie zamiast testów parametrycznych użyjemy ich nieparametrycznych zamienników.

Badanie normalności pozostałych zmiennych

vars_to_test <- c("Czas na SM [godz.]", "Godziny snu/noc", "Wskaźnik uzależnienia", "Wiek")

# Funkcja wykonująca test Shapiro-Wilka
run_shapiro_console <- function(data, variable) {
  vec <- na.omit(data[[variable]])
  test <- shapiro.test(vec)
  
  return(data.frame(
    Zmienna = variable,
    Statystyka_W = round(test$statistic, 3),
    p_value = test$p.value,
    Normalnosc = ifelse(test$p.value > 0.05, "TAK", "NIE (p < 0.05)")
  ))
}

# Uruchomienie pętli i zebranie wyników
results_shapiro <- do.call(rbind, lapply(vars_to_test, function(v) run_shapiro_console(dane_pelne_pl, v)))
print(results_shapiro)
##                  Zmienna Statystyka_W      p_value     Normalnosc
## W     Czas na SM [godz.]        0.992 7.659295e-04 NIE (p < 0.05)
## W1       Godziny snu/noc        0.993 2.024310e-03 NIE (p < 0.05)
## W2 Wskaźnik uzależnienia        0.925 2.563477e-18 NIE (p < 0.05)
## W3                  Wiek        0.927 4.496868e-18 NIE (p < 0.05)

Dla wszystkich badanych zmiennych wartości p-value są mniejsze od 0,05, co prowadzi do odrzucenia hipotezy zerowej o normalności rozkładu. W przekroju naszego zbioru danych nie znajduje się żadna zmienna o rozkładzie wyraźnie zbliżonym do normalnego.

Weryfikacja Hipotez

Czy płeć różnicuje poziom uzależnienia?

Sprawdzono czy istnieje istotna statystycznie różnica w poziomie uzależnienia między kobietami a mężczyznami. Ze względu na brak rozkładu normalnego, zastosowano test Manna-Whitneya.

ggbetweenstats(
  data = dane_pelne_pl,
  x = `Płeć`,
  y = `Wskaźnik uzależnienia`,
  type = "np", # Test nieparametryczny
  title = "Porównanie poziomu uzależnienia wg płci",
  xlab = "Płeć",
  ylab = "Wskaźnik uzależnienia",
  pairwise.display = "significant",
  messages = FALSE,
  package = "ggsci",
  palette = "default_jco"
)

Test nie wykazał istotnych różnic statystycznych (p>0,05). Płeć nie jest czynnikiem determinującym poziom uzależnienia od mediów społecznościowych w badanej grupie.

To może status związku? :D

Sprawdzimy to testem Kurskala-Wallisa (nieparametryczny odpowiednik ANOVA)

ggbetweenstats(
  data = dane_pelne_pl,
  x = `Status związku`,
  y = `Wskaźnik uzależnienia`,
  type = "np", 
  title = "Poziom uzależnienia a status związku",
  xlab = "Status związku",
  ylab = "Wskaźnik uzależnienia",
  pairwise.display = "significant", 
  k = 3
)

Przy poziomie istotności 0,05 status związku nie ma statystycznie istotnego wpływu na poziom uzależnienia, choć wynik jest bliski granicy istotności (p=0,08, więc dla poziomu istotności 10% już odrzucilibyśmy H0).

Czy płeć ma związek z poczuciem negatywnego wpływu na naukę?

Badamy dwie zmienne jakościowe testem niezależności Chi-kwadrat.

ggbarstats(
  data = dane_pelne_pl,
  x = `Wpływ na naukę`, 
  y = `Płeć`,           
  title = "Wpływ social media na naukę wg płci",
  label = "both"        
)

Wartość p dla testu Chi-kwadrat wynosi ok. 0.5, co oznacza brak statystycznie istotnego związku między płcią a deklarowanym wpływem social mediów na wyniki w nauce.

Zaawansowana analiza korelacji

Sprawdzmay siłę powiązań między zmiennymi liczbowymi, aby zobaczyć, co “napędza” uzależnienie.

ggcorrmat(
  data = dane_pelne_pl,
  cor.vars = c(
    "Wskaźnik uzależnienia", 
    "Czas na SM [godz.]", 
    "Godziny snu/noc", 
    "Ocena zdrowia psychicznego", 
    "Konflikty przez SM",
    "Wiek"
  ),
  type = "nonparametric", 
  title = "Mapa ciepła - Macierz korelacji",
  colors = c("#E74C3C", "white", "#27AE60") 
)

Macierz ujawnia bardzo silne korelacje, m.in.:

  • Zdrowie psychiczne i Uzależnienie (\(r = -0.86\)): Bardzo silna korelacja ujemna. Wyższy wskaźnik uzależnienia drastycznie obniża samoocenę zdrowia psychicznego.
  • Konflikty i Uzależnienie (\(r = 0.90\)): Ekstremalnie silna korelacja dodatnia. Osoby uzależnione doświadczają większej ilości konfliktów z otoczeniem.
  • Czas na SM i Sen (\(r = -0.83\)): Wydłużony czas korzystania z mediów społecznościowych bezpośrednio “kradnie” czas przeznaczony na sen.

Ranking platform

Sprawdzamy, która platforma wiąże się z najwyższymi wskaźnikami uzależnienia (Test Kruskala-Wallisa).

dane_top_platformy <- dane_pelne_pl %>%
  group_by(`Główna platforma`) %>%
  filter(n() > 20) %>%
  ungroup()

ggbetweenstats(
  data = dane_top_platformy,
  x = `Główna platforma`,
  y = `Wskaźnik uzależnienia`,
  type = "np",
  title = "Ranking uzależnienia wg najpopularniejszych platform",
  xlab = "Platforma",
  ylab = "Wskaźnik uzależnienia",
  pairwise.display = "significant", 
  p.adjust.method = "holm",          
  k = 3
)

Przeprowadzona analiza (test Kruskala-Wallisa) wykazała silne i istotne statystycznie zróżnicowanie poziomu uzależnienia w zależności od preferowanej platformy społecznościowej (\(\chi^2 = 165.09, p < 0.001\)). Siła efektu jest znaczna (\(\epsilon^2 = 0.26\)), co pozwala na sformułowanie następującego wniosku:

Rodzaj konsumowanych treści ma kluczowe znaczenie. Platformy oparte na krótkich, dynamicznych formach wideo (TikTok, Instagram) wiążą się ze znacznie wyższym ryzykiem uzależnienia niż serwisy tekstowe czy networkingowe.

Edukacja a uzależnienie

Na koniec analizujemy rozkład uzależnienia w zależności od etapu edukacji.

#Liczymy p-value
wynik_testu <- kruskal_test(dane_pelne_pl, `Wskaźnik uzależnienia` ~ `Wykształcenie`)
p_value <- wynik_testu$p 
p_napis <- paste0("Test Kruskala-Wallisa: p = ", format.pval(p_value, digits = 3, eps = 0.001))

#Rysujemy wykres
ggplot(dane_pelne_pl, aes(x = `Wskaźnik uzależnienia`, y = `Wykształcenie`, fill = `Wykształcenie`)) +
  
  geom_density_ridges(
    scale = 0.9,
    alpha = 0.7,
    quantile_lines = TRUE,
    quantiles = 2,
    jittered_points = TRUE,
    position = position_points_jitter(width = 0.1, height = 0),
    point_size = 1,
    point_alpha = 0.4
  ) +
  
  labs(title = "Rozkład uzależnienia w grupach (Ridgeline)",
       subtitle = p_napis,  
       x = "Wskaźnik uzależnienia",
       y = "Etap edukacji") +

  theme_minimal() +
  theme(legend.position = "none") +
  scale_fill_viridis_d()

Test Kruskala-Wallisa wykazał istotne statystycznie zróżnicowanie poziomu uzależnienia w zależności od etapu edukacji (p < 0.001). Uczniów szkoły średniej częściej cechują wyższe wskaźniki uzależnienia, co widać na wizualizacji.

Wnioski

Przeprowadzona analiza 705 studentów pozwoliła na sformułowanie kluczowych wniosków dotyczących cyfrowego dobrostanu:

  1. Mechanizm Pętli Zwrotnej: Potwierdzono istnienie silnego sprzężenia zwrotnego: wysoki czas na SM koreluje z brakiem snu (\(r=-0.83\)) oraz drastycznym spadkiem oceny zdrowia psychicznego (\(r=-0.86\)).

  2. Platformy Wysokiego Ryzyka: TikTok oraz Instagram generują istotnie wyższe wskaźniki uzależnienia niż platformy tekstowe (Twitter) czy zawodowe (LinkedIn). Potwierdza to hipotezę o uzależniającym potencjale krótkich form wideo (short-form content).

  3. Edukacja jako czynnik chroniący: Zauważono istotną różnicę między uczniami szkół średnich (średni wynik uzależnienia 8.04) a studentami i absolwentami. Sugeruje to, że dojrzewanie i zmiana priorytetów życiowych mogą naturalnie obniżać tendencje do nadużywania mediów.

  4. Brak Różnic Płciowych: Wbrew stereotypom, płeć nie jest predyktorem uzależnienia. Problem dotyka kobiet i mężczyzn w równym stopniu, co wykazały testy statystyczne.

Rekomendacja: Działania profilaktyczne powinny być kierowane przede wszystkim do uczniów szkół średnich oraz użytkowników platform opartych na scrollowaniu wideo, z naciskiem na higienę snu jako pierwszy krok do poprawy dobrostanu.