Predicting internet addiction in college students using a 1D-CNN model: analysis of influencing factors

• Xi Wang ^[1] ; Enyou Zhang ^[1] ; Yingjun Cui ^[2] ; Jie Huang ^[2] ; Meng Cheng ^[2]
  1. [1] Ludong University

     Ludong University

     China

     
  2. [2] Shandong University of Technology

     Shandong University of Technology

     China

     
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 91, Nº. 233, 2024, págs. 66-74
• Idioma: inglés
• Títulos paralelos:
  • Predicción de la adicción a internet en estudiantes universitarios mediante un modelo 1D-CNN: análisis de los factores influyentes
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este estudio construye un modelo basado en el aprendizaje profundo para predecir la adicción a Internet entre los estudiantes universitarios y analiza los factores influyentes significativos. Se realizó una encuesta aleatoria a 4.895 estudiantes de una universidad de la provincia de Shandong mediante cuestionarios sobre información general, adicción a internet (CIAS-R), personalidad (CBF-PI-B), rasgos psicológicos (SDS, SAS), estilos parentales (EMBU), problemas de conducta (SAS-C) y apoyo social (ASSRS) para establecer una base de datos. Se desarrolló un modelo predictivo utilizando una red neuronal convolucional 1D (1D-CNN), extrayendo los factores clave que influyen en la adicción a Internet. El modelo mostró una exactitud del 92,77%, con altos índices de precisión y recuerdo para predecir usuarios normales y adictos. El cálculo del gradiente indica que, en los estudiantes de segundo curso, los comportamientos negativos y de retraimiento, la depresión, el exceso de interferencia familiar y la ansiedad contribuyen significativamente a la adicción a Internet, con factores superiores a 0,5. El modelo 1D-CNN ofrece un rendimiento y una precisión robustos en la predicción de la adicción a Internet, identificando factores significativos para la prevención temprana y la integración potencial con apps para la monitorización en tiempo real.

  • English

    This study constructs a deep learning-based model to predict internet addiction among college students and analyzes significant influencing factors. A random survey of 4,895 students from a university in Shandong Province was conducted using questionnaires on general information, internet addiction (CIAS-R), personality (CBF-PI-B), psychological traits (SDS, SAS), parenting styles (EMBU), behavioral issues (SAS-C), and social support (ASSRS) to establish a database. A predictive model was developed using a 1D Convolutional Neural Network (1D-CNN), extracting key influencing factors of internet addiction. The model showed 92.77% accuracy, with high precision and recall rates for predicting normal users and addicts. The gradient calculation indicates that in second-year students, negative and withdrawal behaviors, depression, over-interfering families, and anxiety significantly contribute to Internet addiction, with factors exceeding 0.5. The 1D-CNN model offers robust performance and accuracy in predicting internet addiction, identifying significant factors for early prevention and potential integration with apps for real-time monitoring.