1.1 Opis danych

Analizowany zbiór danych składa się z 13 zmiennych dotyczących studentów z różnych krajów. Dane obejmują trzy kluczowe obszary:

• Demografię (m.in. wiek, płeć, poziom edukacji).
• Aktywność w sieci (średni czas korzystania, najczęściej używana platforma).
• Wskaźniki dobrostanu (poziom uzależnienia, ocena zdrowia psychicznego, jakość snu oraz wpływ na wyniki w nauce).

Zbiór jest kompletny i nie zawiera brakujących wartości.

2.1 Braki danych

W danych znajduje się 100 % kompletnych wartości.

2.2 Walidacja danych

• czy wiek przyjmuje wartości od 16 - 25?
• czy średni czas użycia przyjmuje wartości 0 - 24?
• czy wszystkie wartości liczbowe są większe od 0?
• czy mental health score i addicted score przyjmują wartości 1 - 10?
• płeć - kobieta lub mężczyzna?
• poziom wykształcenia - szkoła średnia, studia I stopnia lub studia II stopnia
• status związku - wolny, w związku, “to skomplikowane”
• czy wpływa na wyniki akademickie - tak lub nie?

reguly <- validator(
Wiek = Age >= 16 & Age <= 25,
Płeć = Gender %in% c("Female", "Male"),
Poziom_Edukacji = Academic_Level  %in% c("High School", "Undergraduate", "Graduate"),
Średni_Czas_Użycia = Avg_Daily_Usage_Hours > 0 & Avg_Daily_Usage_Hours < 24,
Wpływ_na_Nauke = Affects_Academic_Performance %in% c("Yes", "No"),
Sen = Sleep_Hours_Per_Night >= 0 & Sleep_Hours_Per_Night <= 24,
Zdrowie_psychiczne = Mental_Health_Score >= 1 & Mental_Health_Score<=10,
Status_związkowy = Relationship_Status %in% c("In Relationship", "Single", "Complicated"),
Wynik_uzależnienia = Addicted_Score >= 1 & Addicted_Score <= 10
)

cf <- confront(dane, reguly, key="Student_ID")

par(mar = c(5, 10, 4, 2)) 

plot(cf,
      title = "Weryfikacja spójności i kompletności danych",
     xlab = "Liczba rekordów",
     las = 1,                              # Etykiety poziomo
     cex.axis = 0.8,                       # Czcionka osi
)

3.1 Charakterystyka demograficzna badanej grupy studenckiej

dane$Academic_Level <- factor(dane$Academic_Level, 
                            levels = c("High School", "Undergraduate", "Graduate"))
dane$Gender <- factor(dane$Gender,
                  levels = c("Male", "Female")
)

ggplot(dane, aes(x = Academic_Level, fill=Gender)) +
  geom_bar(position = "dodge") +
  labs(title = "Rozkład płci i poziomu akademickiego",
       x = "Poziom akademicki",
       y = "Liczba studentów") +
  theme_minimal()

ggplot(dane, aes(x = Age)) +
  geom_histogram(binwidth = 0.5, fill = "skyblue", color = "black") +
  labs(title = "Wiek badanych studentów",
       x = "Wiek",
       y = "Liczba studentów") +
  theme_minimal()

3.2 Intensywność Używania Social Mediów

ggplot(dane, aes(x = Avg_Daily_Usage_Hours)) +
  geom_histogram(binwidth = 1, fill = "#9f2042", color = "#6c0d27") +
  labs(title = "Średni czas użycia social mediów dziennie",
       x = "Średni czas użycia (h)",
       y = "Liczba studentów") +
  theme_minimal()

dane %>%
mutate(top_5 = fct_lump_n(Most_Used_Platform, n = 4, other_level = "Inne")) %>%
  ggplot(aes(x = top_5)) +
  geom_bar(fill = "#6c0d27") +
  labs(title = "Najczęściej używane platformy social media",
       x = "Platforma",
       y = "Liczba studentów") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

3.3 Charakterystyka wpływu mediów społecznościowych

wykres <- dane %>%
  count(Addicted_Score) %>%
  ggplot(aes( x = Addicted_Score, y=n)) +
  geom_point(color= "blue")+
  geom_line(color= "blue")+
  labs(title = "Poziom uzależnienia uczniów",
       x = "Poziom uzależnienia",
       y = "Liczba uczniów") +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5)
  )
plotly:: ggplotly(wykres)

ggplot(dane, aes(x = Affects_Academic_Performance)) +
  geom_bar(fill = "#6c0d27", width= 0.5)+
  scale_x_discrete(
    labels = c(
      "Yes" = "Tak",
      "No"  = "Nie"
    )
  ) +
  labs(title = "Wpływ social mediów na wyniki akademickie",
       x = "Czy social media wpływają na wyniki akademickie?", 
       y = "Liczba studentów")+
         theme_minimal()+
   theme(
    plot.title = element_text(hjust = 0.5)
  )

3.4 Zdrowie psychiczne studentów

#mozaikowy, na plakacie z ggplota
ggplot(dane, aes(x = factor(Mental_Health_Score, levels = 1:10))) +
  geom_bar(fill = "#9f2042", color = "#6c0d27")+
  labs(
    title = "Ocena zdrowia psychicznego studentów",
    x = "Poziom zdrowia psychicznego",
    y = "Liczba studentów"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))

Rozkład ocen zdrowia psychicznego studentów wskazuje, że odpowiedzi koncentrują się w środkowym zakresie skali. Najczęściej deklarowane wartości mieszczą się pomiędzy 5 a 7 punktów, przy czym najwyższą liczebność odnotowano dla oceny 6. W badanej próbie nie odnotowano odpowiedzi dla najniższych wartości skali (1–3) ani dla wartości maksymalnej (10), co sugeruje brak skrajnie negatywnych oraz skrajnie pozytywnych ocen zdrowia psychicznego wśród respondentów. Uzyskany rozkład wskazuje na umiarkowany poziom subiektywnego dobrostanu psychicznego w analizowanej grupie studentów.

4.1 Statystyki opisowe średniego dziennego czasu korzystania z mediów społecznościowych w podziale na 5 najczęściej używanych platform

Ze względu na nierówną liczebność obserwacji w poszczególnych kategoriach zmiennej Most Used Platform, analizę ograniczono do pięciu najczęściej deklarowanych platform społecznościowych.

top5_platform <- dane %>%
  count(Most_Used_Platform, sort = TRUE) %>%
  slice_head(n = 5) %>%
  pull(Most_Used_Platform)

Avg_Daily_Usage_Hours <- dane %>%
  filter(Most_Used_Platform %in% top5_platform) %>%
  group_by(Most_Used_Platform) %>%
  summarise(
    N = n(),
    Min = min(Avg_Daily_Usage_Hours),
    Q1 = quantile(Avg_Daily_Usage_Hours, 0.25),
    Mediana = median(Avg_Daily_Usage_Hours),
    Średnia = mean(Avg_Daily_Usage_Hours),
    Q3 = quantile(Avg_Daily_Usage_Hours, 0.75),
    Max = max(Avg_Daily_Usage_Hours),
    SD = sd(Avg_Daily_Usage_Hours),
    IQR = IQR(Avg_Daily_Usage_Hours)
  )
    
kable(
  Avg_Daily_Usage_Hours,
  digits = 2,
  caption = "Statystyki opisowe Avg_Daily_Usage_Hours dla 5 najczęściej używanych platform"
) %>%
  kable_paper(full_width = FALSE)

Osoby, które wskazały WhatsApp jako najczęściej używaną aplikację, spędzają przeciętnie najwięcej czasu ogółem w mediach społecznościowych w ciągu dnia. Wysoki łączny czas korzystania obserwuje się również wśród użytkowników TikToka, natomiast osoby deklarujące Facebook, Instagram lub Twitter jako najczęściej używaną platformę spędzają w mediach społecznościowych średnio mniej czasu. Największe zróżnicowanie dziennego czasu korzystania występuje wśród użytkowników Instagrama, a najmniejsze w grupie użytkowników WhatsAppa.

4.2 Statystyki opisowe poziomu uzależnienia od mediów społecznościowych

raport <- list("Addicted Score" = 
                 list("Min"= ~ min(Addicted_Score), 
                      "Max"= ~ max(Addicted_Score), 
                      "Q1"= ~ quantile(Addicted_Score,0.25), 
                      "Mediana"= ~ round(median(Addicted_Score),2), 
                      "Q3"= ~ quantile(Addicted_Score,0.75), 
                      "Średnia"= ~ round(mean(Addicted_Score),2), 
                      "Odch. std."= ~ round(sd(Addicted_Score),2), 
                      "IQR"= ~ round(IQR(Addicted_Score),2), 
                      "Odch. ćwiartkowe"=~round(IQR(Addicted_Score)/2,2), 
                      "Odch. std. w %"=~round((sd(Addicted_Score)/mean(Addicted_Score)),2), "Odch. ćwiartkowe w %"=~round((IQR(Addicted_Score)/median(Addicted_Score)),2), "Skośność"=~round(skew(Addicted_Score),2), "Kurtoza"=~round(kurtosi(Addicted_Score),2) ))
tabela_gender <- dane %>%
  group_by(Gender) %>%
  summarise(
    Min = min(Addicted_Score),
    Q1 = quantile(Addicted_Score, 0.25),
    Mediana = median(Addicted_Score),
    Q3 = quantile(Addicted_Score, 0.75),
    Max = max(Addicted_Score),
    Średnia = mean(Addicted_Score),
    SD = sd(Addicted_Score),
    Skośność = psych::skew(Addicted_Score),
    Kurtoza = psych::kurtosi(Addicted_Score)
  )

kable(tabela_gender,
      digits = 2,
      caption = "Tabela 4.3. Statystyki opisowe Addicted_Score w podziale na płeć") %>%
  kable_paper("striped", full_width = FALSE)

Średnie i mediany wyników uzależnienia są podobne dla obu płci, przy czym kobiety mają nieco wyższą średnią i większą zmienność. Różnice między mężczyznami a kobietami są niewielkie i nie wskazują na znaczącą przewagę jednej grupy pod względem poziomu uzależnienia.

4.3 Macierz korelacji między poziomem uzależnienienia od social mediów, zdrowiem psychicznym, wiekiem i średnim czasem używania social mediów

Zachodzi prawie pełna zależność ujemną między poziomem uzależnieniem a zdrowiem psychicznym (-0.95), co oznacza, że wzrostowi uzależnienia, zawsze towarzyszy spadek zdrowia psychicznego. Kluczowym czynnikiem wpływającym na oba te parametry jest średni dzienny czas korzystania z mediów społecznościowych, który silnie koreluje z poziomem uzależnienia (0.83) oraz obniżeniem zdrowia psychicznej (-0.80). Jednocześnie wiek badanych nie ma istotnego znaczenia dla tych relacji, wykazując jedynie śladowe i nieznaczące statystycznie powiązania z resztą zmiennych.

5.1 Czy istnieje zależność między poziomem edukacji a najczęściej używaną aplikacją?

ggpiestats(dane, Academic_Level, Most_Used_Platform, bf.message = FALSE)

Analiza wykazała istotną statystycznie zależność między poziomem edukacji a najczęściej używaną platformą społecznościową. Oznacza to, że wybór najczęściej używanej aplikacji różni się w zależności od poziomu edukacji badanych. Umiarkowana wartość współczynnika V Craméra (0,37) wskazuje, że zależność ta jest wyraźna, choć nie ma charakteru silnego. Analiza struktury użytkowników poszczególnych platform wskazuje, że LinkedIn i VKontakte są zdominowane przez osoby na studiach II stopnia, natomiast LINE i KakaoTalk przez studentów studiów I stopnia.

5.2 Czy istnieje zależność między średnim czasem używania social mediów a liczbą konfliktów?

ggbetweenstats(data = dane, x = Conflicts_Over_Social_Media, y =    Avg_Daily_Usage_Hours, pairwise.display = "none")

Wykres przedstawia zależność pomiędzy przeciętną liczbą godzin używania social mediów a liczbą konfliktów spowodanych social mediami. Wartość p poniżej poziomu 0,001,czyli jest ekstremalnie mała. Oznacza to, że istnieją statystycznie istotne różnice między grupami. Poziom konfliktów ma wyraźny związek z czasem spędzanym w sieci. Współczynnik omega-kwadrat na poziomie 0,99 sugeruje, że prawie cała zmienność czasu użytkowania, czyli około 99% daje się wyjaśnić poziomem konfliktów. Należy zatem założyć bardzo silną korelację między tymi zmiennymi.Ponadto,wraz ze wzrostem liczby konfliktów, systematycznie rośnie średni czas użytkowania SM. Średnie rosną od ok. 2,11 dla pierwszej grupy przez 3,11, 4,02, 4,98, 6,25, aż do 6,99 godziny dziennie w ostatniej grupie.Widać wyraźny, monotoniczny trend wzrostowy: im więcej konfliktów, tym więcej czasu spędzanego w mediach społecznościowych. Wynik może sugerować, że nadmierne korzystanie z SM jest głównym źródłem napięć (np. rodzinnych lub partnerskich).

5.3 Analiza ANOVA wieloczynnikowa - wpływ snu, czasu korzystania z telefonu i poziomu uzależnienia na wyniki akademickie

dane %>%
  mutate(
    # Konwersja zmiennej wynikowej
    Affects_Academic_Performance = ifelse(Affects_Academic_Performance == "Yes", 1, 0),
    # Upewnienie się, że predyktory są liczbami
    Sleep_Hours_Per_Night = as.numeric(Sleep_Hours_Per_Night),
    Avg_Daily_Usage_Hours = as.numeric(Avg_Daily_Usage_Hours)
  ) %>%
  anova_test(Affects_Academic_Performance ~ Sleep_Hours_Per_Night * Avg_Daily_Usage_Hours * Addicted_Score) %>%
  kbl(digits = 100) %>% 
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = F)