Disusun oleh:
Jacob Martin 207101890
Dosen Pembimbing:
dr. Endy Nurhayati, Sp.KJ
Penyusun mengucapkan terima kasih kepada dosen pembimbing pada KSM Ilmu Kedokteran
Jiwa, yaitu dr. Marintik Ilahi, Sp. KJ yang berkenan memberikan bimbingan dalam menempuh
proses pendidikan kepaniteraan klinik meskipun dalam kondisi pandemi. Tidak lupa pula
penyusun mengucapkan terima kasih kepada semua pihak sehingga penyusunan laporan kasus
ini dapat terselesaikan.
Journal reading ini membahas terkait Determination the cut-off point for the Bergen social
media addiction (BSMAS): Diagnostic contribution of the six criteria of the components model
of addiction for social media disorder. Penyusun menyadari dalam journal reading ini belum
sempurna secara keseluruhan. Oleh karena itu, dengan hati terbuka penyusun menerima
masukan-masukan yang sekiranya dapat membangun sehingga dapat membantu dalam
penyempurnaan dan pengembangan penyelesaian Journal reading selanjutnya.
Demikian pengantar dari penyusun, semoga Journal reading ini dapat bermanfaat. Amin.
Lawang , 21 Agustus2022
Penyusun
DAFTAR ISI
Kover................................................................................................ 1
Kata Pengantar.................................................................................. i
Daftar Isi........................................................................................... 2
1
Bab II. Jurnal Pendukung
2.1. Jurnal Pendukung....................................................................... 11
Daftar Pustaka
BAB I
RESUME JURNAL
Latar Belakang
Media sosial merupakan platform aplikasi online yang digunakan untuk berinteraksi
dengan orang lain, menjaga komunikasi, membentuk kelompok dengan minat yang sama,
2
sosial media yang berlebihan berkaitan dengan keadaan psikopatologi (ex, kecemasan,
depresi, perilaku melukai diri sendiri, risiko bunuh diri dan ide bunuh diri), aspek
kepribadian (ex, harga diri rendah, dan impulsifitas tinggi), dan akademik ( ex, kegiatan
Oleh karena itu, banyak peneliti yang mengusulkan penggunaan media sosial yang
Disorder (SMD) di antara orang dewasa berkisar antara 1,6 hingga 47% . Sedangkan di
kalangan remaja, tingkatnya adalah 4,5%. Kurangnya pedoman diagnosis dan klasifikasi
konsensual untuk SMD adalah faktor kunci yang menyebabkan tingginya angka
prevalensi ini. Maka dari itu, untuk membedakan dengan tepat antara penggunaan media
sosial bermasalah dan tidak, serta secara akurat memperkirakan prevalensi SMD, sangat
penting untuk menentukan dan memvalidasi skor batas optimal dari skala kedewasaan,
Menurut Griffiths et al, kriteria dari behavioural addiction adalah: salience (yaitu,
penggunaan media sosial menjadi aktivitas yang terpenting sehari-hari), toleransi (yaitu,
meningkatnya jumlah waktu yang dibutuhkan dalam penggunaan media sosial untuk
mencapai efek yang diharapkan), mood modification (yaitu, menggunakan media sosial
sebagai strategi coping dalam mengatasi masalah), relaps (yaitu, hilangnya kendali dalam
withdrawal( yaitu, perasaan tidak menyenangkan dan gangguan fisik ketika tidak dapat
menggunakan media sosial), dan konflik (yaitu, konflik dengan orang lain, aktivitas lain,
dan dalam diri individu yang disebabkan oleh penggunaan media sosial)
3
The Bergen Social Media Addiction Scale (BSMAS) merupakan instrumen untuk
menilai SMD, dikembangkan oleh Andreassen et. al., yang didasarkan pada enam kriteria
behavioural addiction oleh Griffiths, dan merupakan skala yang telah digunakan secara
luas. Cut off dari BSMAS merupakan hal penting dalam membedakan penggunaan
media sosial bermasalah dan yang tidak. Skala ini juga dapat digunakan untuk
menghitung prevalensi SMD dengan benar. Tetapi, tidak ada penelitian khusus tentang
Langkah yang digunakan untuk menentukan skor cut off BSMAS meliputi
pendekatan epidemiologi dan klinis. Diagnosis klinis merupakan baku emas untuk
penentuan cut off. Namun, data ini tidak selalu ada. Maka dari itu, pendekatan
epidemiologi, seperti: Latent Profil Analysis (LPA), dapat digunakan sebagai dasar
Tujuan
Penelitian ini bertujuan untuk (1) mengetahui cut off BSMAS yang tepat untuk
masyarakat cina, (2) mengevaluasi kekuatan diagnostik dari cut off empiris berdasarkan
pendekatan LPA, (3) mengukur prevalensi SMD dalam kurun waktu 12 bulan pada
populasi remaja Cina, (4) mengetahui apakah enam kriteria Griffiths sesuai dalam
mendiagnosis SMD pada remaja, (5) mengevaluasi validitas diskriminatif dari enam
Metodologi
Subyek dari penelitian berjumlah 252 orang dikumpulkan dari fasilitas kesehatan
khusus yang menangani kasus internet addiction di kota Yingtan, Jiangxi, Cina dalam
4
kurun waktu 01 September 2019 hingga 15 September 2020. Usia dari subyek anatra 12-
18 tahun. Setelah dipilih, subyek diminta untuk mengisi BSMAS dan psikiater akan
dengan teknik multistage cluster randomized sampling. Seluruh sampel dan orang tua
sampel yang telah dipilih dilakukan pengisian informed concent, dimana orang tua atau
sampel dibebaskan untuk mengikuti penelitian atau tidak. Jumlah total sampel yang
diambil dan mengisi data adalah 21,735 remaja dengan mayoritas perempuan (52,5%)
dan usia rata-rata adalah antara 12-19 tahun. Sampel masyarakat dipilih untuk analisa
sensitivitas dan evaluasi kemampuan diagnostik dari nilai cut off BSMAS yang didapat.
Measures
Data sosiodemografik yang diambil adalah jenis kelamin, usia, tingkat sekolah, dan
SMD
Untuk menilai SMD, digunakan BSMAS versi cina. Penilaian dilakukan dengan
skala likert dengan angka “5” menggambarkan sangat sering dan “1” menggambarkan
Dilakukan wawancara klinis oleh peneliti dengan dasar 9 kriteria klinis Internet and
Game Disorder (IGD) dari DSM-V. Pertanyaan diambil dari Griffith International
5
marah, cemas, atau sedih ketika mencoba untuk mengurangi atau berhenti menggunakan
media sosial atau ketika Anda tidak dapat menggunakannya (e.g. withdrawal)?”.
Berdasarkan kriteria DSM-V, apabila 5 dari 9 poin positif maka sampel dapat didiagnosis
dengan SMD. Rosenberg’s Self Esteem Scale (RSES) digunakan untuk menilai
kepercayaan diri, sedangkan Brief Barratt Impulsiveness Scale (BBIS) digunakan untuk
menilai tingkat impulsivitas subyek. Nilai akademik ditentukan dengan evaluasi rapot
terakhir yang diterima. Penggunaan sosial media dihitung mingguan dengan rumus:
(penggunaan sosial media pada saat sekolah x 5) + (penggunaan sosial media saat
weekend x 2).
Metode statistik
menentukan cut off klinis yang optimal. Validitas skor cut off yang didapat dikonfirmasi
pada sampel komunitas dengan membandingkan kriteria eksternal (misalnya, BBIS dan
RSES) dan gangguan (misalnya, nilai akademik) antara kelompok SMD dan non-SMD.
Latent Profile Analysis (LPA) digunakan dilakukan pada sampel komunitas untuk
menentukan kelompok remaja mana yang memiliki resiko SMD lebih tinggi. Dilakukan
tes analisis sensitivitas untuk menentukan cut off empiris optimal dari BSMAS, dimana
kelompok disordered user berdasarkan LPA digunakan sebagai gold standard. Validitas
hasil LPA pada kelompok disorderd user dinilai dengan membandingkan kriteria
eksternal (ex, BBIS dan RSES), faktor yang terganggu (ex, nilai akademik), dan variabel
yang berhubungan dengan SMD (ex, penggunaan media sosial mingguan) antar
kelompok LPA. Uji Wald's Chi-square digunakan untuk menilai sifat probabilitas dari
masing-masing kelompok LPA. Ketepatan diagnositik dari cut off empiris berdasarkan
6
LPA diuji menggunakan analisis sensitivitas , dan kelompok remaja yang didiagnosis
mengalami SMD menurut cut off ini dianggap sebagai gold standard. Untuk menentukan
prediktor spesifik yang berpengaruh dalam diagnosis SMD, dilakukan analisis non-
hubungan terkuat antar setiap prediktor (ex, enam kriteria adiksi, waktu penggunaan
media sosial mingguan, usia, dan jenis kelamin) dan variabel respons (diagnosis SMD,
Hasil
spesifisitas 99,1% dan nilai youden index 95,5%. Nilai cut off ini memiliki akurasi
diagnostik 98,8%.
Menggunakan nilai cut off 24 dalam diagnosis SMD, prevalensi SMD secara
berurutan pada kelompok remaja, anak laki-laki, dan perempuan adalah 3,5, 4,9, dan
2,2%. Sampel yang didiagnosis SMD cenderung (1) laki-laki, (2) menggunakan media
sosial lebih dari 30 jam setiap minggu, (3) memiliki prestasi akademik yang lebih buruk,
dan (4) memiliki impulsivitas yang lebih tinggi. dan kepercayaan diri yang rendah.
kelompok didasarkan pada hasil BSMAS yang didapatkan, kelompok dengan hasil
terendah adalah kelompok 1 dan hasil tertinggi adalah kelompok 5. Kelompok tersebut
antara lain : Kelompok 1 / casual user, kelompok 2 / regular user, kelompok 3 / low risk
7
high-engagement user, kelompok 4 / at-risk high-engagement user, dan kelompok 5 /
disordered user. Kelompok 5 / disordered user mewakili sampel yang menjawab sering
Remaja yang masuk dalam kelompok disordered user memiliki skor BBIS tinggi,
BSES rendah, nilai akademis yang lebih buruk serta waktu penggunaan media sosial
yang lebih panjang dibandingkan 4 kelompok lain. Berdasarkan anallisa sensitivitas, skor
cut off 23 merupakan skor yang secara empiris ideal untuk membedakan sampel addiksi
media sosial dan non addiksi. Angka diagnostik tertinggi adalah 99,9% dengan
Remaja komunitas yang didiagnosis dengan SMD menggunakan skor cut off klinis
cut off empiris 23. Menggunakan analisis sensitivitas, didapatkan akurasi diagnostik cut
off empiris 23 adalah 97,8%, dengan sensitivitas 100%, spesifisitas 99,5%, PPV 87,2%,
Sailence dan toleransi merupakan kriteria yang paling banyak ditemukan pada
remaja secara umum. Yang paling jarang ditemukan adalah mood modification. Pada
sampel yang terdiagnosis SMD, kriteria mood modification, relapse, withdrawal, dan
konflik adalah yang paling banyak ditemukan, sedangkan salience dan toleransi lebih
sedikit ditemukan. Untuk mengetahui lebih lanjut kontribusi kriteria spesifik dalam
klasifikasi SMD, maka dilakukan uji C-tree. Dari uji ini ditemukan bahwa mood
8
modification dan withdrawal merupakan kriteria dengan nilai prediktif terbesar (95,5%)
pada SMD.
Discussion
Pada penelitian ini, ditemukan bahwa penggunaan cut off 24 BSMAS dalam
diagnosis SMD memiliki akurasi diagnostik, sensitivitas dan spesifitas yang tinggi
(berurutan 98,8%, 96,4%, dan 99,1%). Tetapi cut off ini memiliki Positive Predictive
Value (PPV) yang cukup rendah (43,7%). Hal ini menunjukkan cut off ini memiliki
kemungkinan banyak kasus yang memiliki hasil positif yang salah. Hal ini tidak baik
untuk studi prevalensi screening karena dapat terjadi overestimasi dari prevalensi SMD.
Pendekatan LPA pada penelitian ini dapat mengidentifikasi cut off empiris dengan
baik. Hal ini menunjukkan bahwa apabila data wawancara klinis tidak dapat/sulit
dilakukan, maka LPA dapat digunakan sebagai metode untuk menentukan skor cut off,
Hasil prevalensi SMD remaja cina yang diukur dalam kurun waktu 12 bulan pada
penelitian ini adalah 3,5%. Hasil ini berbeda cukup jauh dengan penelitian sebelumnya
yang memakai instrument yang sama (Tang, et al 2018, menyebutkan prevalensi SMD di
remaja cina 44,9%). Perbedaan ini diduga terjadi karena perbedaan nilai cut off yang
digunakan pada BSMAS. Penelitian ini juga menunjukkan bahwa sampel dengan SMD
menggunakan sosial media dengan waktu yang lebih lama, memiliki nilai akademik yang
lebih buruk, tingginya impulsivitas, serta kepercayaan diri yang rendah. Selain itu,
berbeda dengan literatur sebelumnya, penelitian ini menunjukkan laki-laki lebih banyak
9
terdiagnosis SMD yang sesuai dengan literatur terdahulu tentang gender pada IGD
Pada penelitian ini kriteria Griffith yaitu conflict, withdrawal, dan relapse termasuk
dalam kriteria prediktor kuat terhadap SMD dan mampu membedakan kelompok
disordered dan highly engaged pada SMD dengan baik. Temuan ini sesuai dengan
penelitian terdahulu. Selain itu penelitian ini juga mendukung bahwa SMD termasuk
dalam addictive behaviour dengan komponen inti dan struktur diagnosis yang sama
BAB II
JURNAL PENDUKUNG
10
Jurnal yang mendukung hasil pada penelitian ini adalah jurnal dengan judul The Bergen
Social Media Addiction Scale Validity in a Romanian Sample Using Item Response Theory and
Network Analysis oleh Stanculescu pada tahun 2021 yang menyatakan bahwa BSMAS
merupakan instrument diagnostik yang baik dalam mendiagnosis Social Media Addiction (SMA)
meskipun digunakan pada populasi yang berbeda (Penelitian dilakukan di Rumania). Selain itu
penelitian ini juga menyatakan kriteria diagnostik SMD berdasarkan BSMAS yaitu salience,
conflict, withdrawal, dan mood modification merupakan kriteria yang relevan dalam diagnosis
SMD pada populasi Rumania, yang sesuai dengan hasil penelitian ini.
Penggunaan pendekatan LPA untuk menentukan cut off empiris juga didukung oleh jurnal
dengan judul A latent profile analysis of PTSD symptoms among UK treatment seeking veterans
oleh Murphy et al. tahun 2019 yang menunjukkan LPA mampu membagi PTSD menjadi 6
kelompok berdasarkan keparahannya, dan LPA mampu menentukan cut off empiris dari setiap
kelompok. Hal ini dapat membantu klinisi dalam menentukan cut off apabila data klinis tidak
BAB III
CRITICAL APPRAISAL
11
1. Validitas
Apakah tujuan penelitian dapat dijawab dengan desain studi penelitian ? ya,
statistik yang sesuai untuk mengetahui cut off BSMAS, mengevaluasi kekuatan
diagnostik dari cut off empiris berdasarkan pendekatan LPA, mengukur prevalensi
SMD dalam kurun waktu 12 bulan pada populasi remaja Cina,, mengetahui
apakah enam kriteria Griffiths sesuai dalam mendiagnosis SMD pada remaja,
SMD
sampling
Apakah proses daftar randomisasi disembunyikan dari pasien, peneliti dan klinisi?
ya
serupa ? tidak, karena pasien memiliki karakteristik sampel yang berbeda seperti
tingkat pendidikan, usia, dan jenis platform media sosial yang digunakan
Apakah pasien, peneliti dan klinisi dilakukan proses blinding (pasien, peneliti dan
klinisi tidak tahu siapa saja di kelompok intervensi dan kontrol) ? ya, karena pada
Apakah semua pasien tetap dihitung hingga akhir studi ? ya, peneliti menyertakan
12
Apakah ada alasan pasien keluar atai dikeluarkan dari studi sebelum studi
berakhir ? ya, pasien yang tidak menyetujui informed concent dapat keluar dari
penelitian dan kriteria eksklusi pada penelitian ini telah disebutkan (tidak mengisi
2. Important
Apakah semua outcome dilaporkan, baik main outcome ataupun side effects ? ya,
peneliti telah melaporkan hasil penelitian secara baik melalui tabel dan diagram
yang disediakan
Apakah hasil ini reliable berdasarkan nilai confidence interval ? penelitian ini
3. Applicable
Apakah hasil studi ini bisa diaplikasikan pada pasien atau kondisi yang kita
hadapi ? hasil penelitian yang dapat diaplikasikan adalah nilai predictor SMD
yang dipaparkan sehingga kita dapat memberikan perhatian lebih pada pasien-
tidak bisa diaplikasikan pada pasien kita? Ya, karena penelitian dilakukan pada
popullasi remaja di negara Cina, sehingga uji validitas perlu dilakukan kembali
13
BAB IV
PENUTUP
3.1 Kesimpulan
Menggunakan analisis ROC, cut off BSMAS yang didapatkan adalah 24 didasarkan
pada diagnosis klinis SMD sebagai gold standard. Kemampuan diagnostik dari cut off
14
empiris berdasarkan LPA telah dievaluasi, dan dapat disimpulkan bahwa akurasi
mengidentifikasi cut off. Selain itu, penelitian ini juga mengevaluasi kontribusi
diagnostik dari enam kriteria model komponen adiksi media sosial. Studi ini
menemukan bahwa kriteria yang paling relevan untuk diagnosis SMD pada remaja Cina
DAFTAR PUSTAKA
15
a large national survey. Addictive Behaviors, 64, 287–293.
https://doi.org/10.1016/j.addbeh.2016.03.006.
3. Association, A. P. (2013). Diagnostic and statistical manual of mental disorders
(5th ed.). Washington: DC: American Psychiatric Association.
4. Baker, J. R., & Moore, S. M. (2008). Blogging as a social tool: A psychosocial
examination of the effects of blogging. Cyber Psychology and Behavior, 11(6),
747–749. https://doi.org/10. 1089/cpb.2008.0053.
5. Banyai, F., Zsila, A., Kiraly, O., Maraz, A., Elekes, Z., Griffiths, M. D., et al.
(2017). Problematic social media use: esults from a largescale nationally
representative adolescent sample. PloS One, 12(1), e0169839.
https://doi.org/10.1371/journal.pone.0169839.
6. Brand, M., Young, K. S., Laier, C., W€olfling, K., & Potenza, M. N. (2016).
Integrating psychological and neurobiological considerations regarding the
development and maintenance of specific Internet-use disorders: N Interaction of
Person-Affect-Cognition-
7. Execution (I-PACE)model. Neuroscience & Biobehavioral Reviews, 71, 252–
266. https://doi.org/10.1016/j.neubiorev.2016.08.033.
8. Charlton, J. P., & Danforth, I. D. W. (2007). Distinguishing addiction and high
engagement in the context of online game playing. Computers in Human
Behavior, 23(3), 1531–1548. https://doi.org/10.1016/j.chb.2005.07.002.
9. CINIC, C. I. N. I. C. (2020). The 44rd internet network development statistical
report of China http://www.cnnic.net.cn/.
10. Collins, L. M., & Lanza, S. T. (2013). Latent class and latent transition analysis:
With applications in the social, behavioral, and health sciences. Chichester: John
Wiley & Sons.
11. Den Eijnden, R. J. J. M. V., Lemmens, J. S., & Valkenburg, P. M. (2016). The
social media disorder scale. Computers in Human Behavior, 61, 478–487.
https://doi.org/10.1016/j.chb.2016.03. 038.
12. van den Eijnden, R., Koning, I., Doornwaard, S., van Gurp, F., & Ter Bogt, T.
(2018). The impact of heavy and disordered use of games and social media on
16
adolescents’ psychological, social, and school functioning. Journal of Behavioral
Addictions, 7(3), 697–706. https://doi.org/10.1556/2006.7.2018.65.
13. Espinoza, G., & Juvonen, J. (2011). The pervasiveness, connectedness, and
intrusiveness of social network site use among young adolescents.
Cyberpsychology, Behavior, and Social Networking, 14(12), 705–709.
https://doi.org/10.1089/cyber.2010.0492.
14. Frost, R. L., & Rickwood, D. (2017). A systematic review of the mental health
outcomes associated with Facebook use. Computers in Human Behavior, 76, 576–
600. https://doi.org/10. 1016/j.chb.2017.08.001.
15. Griffiths, M. D (2005). A ‘components’ model of addiction within a
biopsychosocial framework. Journal of Substance Use, 10(4), 191–197.
https://doi.org/10.1080/14659890500114359.
16. Griffiths, M. D., van Rooij, A. J., Kardefelt-Winther, D., Starcevic,
17. V., Kiraly, O., Pallesen, S., et al. (2016). Working towards an international
consensus on criteria for assessing internet gaming disorder: A critical
commentary on Petry et al. (2014). Addiction, 111(1), 167–175.
https://doi.org/10.1111/add.13057.
18. Hothorn, T., Hornik, K., & Zeileis, A. (2006). Unbiased recursive partitioning:
conditional inference framework. Journal of Computational & Graphical
Statistics, 15(3), 651–674. https:// doi.org/10.1198/106186006X133933.
19. Hu, Z., Tang, L., Chen, L., Kaminga, A. C., & Xu, H. (2020). Prevalence and risk
factors associated with primary dysmenorrhea among Chinese female university
students: crosssectional study. Journal of Pediatric and Adolescent Gynecology,
33(1), 15–22. https://doi.org/10.1016/j.jpag.2019.09.004.
20. Jafarkarimi, H., Tze, A., Sim, H., & Hee, J. M. (2016). Facebook addiction among
Malaysian students. International Journal of Information and Education
Technology, 6(6), 465–469. https:// doi.org/10.7763/ijiet.2016.v6.733.
21. Ji, Y., & Yu, X. (1993). The self esteem scale (SES). Chinese Mental Health
Journal, 7(suppl.), 251–252. https://doi.org/10.1515/ 9781400876136.
17
22. Kardefelt-Winther, D. (2014). Meeting the unique challenges of assessing internet
gaming disorder. Addiction, 109(9), 1568–1570.
https://doi.org/10.1111/add.12645.
23. Kardefeltwinther, D. (2015). A critical account of DSM-5 criteria for internet
gaming disorder. Addiction Research & Theory, 23(2), 93–98.
https://doi.org/10.3109/16066359.2014.935350.
24. Keles, B., Mccrae, N., & Grealish, A. (2020). A systematic review: The influence
of social media on depression, anxiety and psychological distress in adolescents.
International Journal of Adolescence and Youth, 25(1), 79–93.
25. Kietzmann, J. H., Hermkens, K., McCarthy, I. P., & Silvestre, B. S. (2011). Social
media? Get serious! Understanding the functional building blocks of social media.
Business Horizons, 54(3), 241–251.
26. Lemmens, J. S., Valkenburg, P. M., & Gentile, D. A. (2015). The internet gaming
disorder scale. Psychological Assessment, 27(2), 567–582.
https://doi.org/10.1037/pas0000062.
27. Leung, H., Pakpour, A. H., Strong, C., Lin, Y. C., Tsai, M. C., Griffiths, M. D., et
al. (2020). Measurement invariance across young adults from Hong Kong and
Taiwan among three internet-related addiction scales: Bergen social media
addiction scale (BSMAS), smartphone application-based addiction scale
(SABAS), and internet gaming disorder scale-short form (IGDS-SF9) (study part
A). Addictive Behaviors, 101, 105969.
https://doi.org/10.1016/j.addbeh.2019.04.027.
28. Lin, C. Y., Brostr€om, A., Nilsen, P., Griffiths, M. D., & Pakpour, A. H. (2017).
Psychometric validation of the Persian Bergen social media addiction scale using
classic test theory and Rasch models. Journal of Behavioral Addictions, 6(4),
620–629. https:// doi.org/10.1556/2006.6.2017.071.
29. Luo, T., Chen, M., Ouyang, F., & Xiao, S. (2020) (In this issue). Reliability and
validity of Chinese version of Brief Barratt impulsiveness scale. Chinese Journal
of Clinical Psychology, 28(6), 1199–1201. https://doi.org/10.16128/j.cnki.1005-
3611.2020.06.025.
18
30. Morean, M. E., DeMartini, K. S., Leeman, R. F., Pearlson, G. D., Anticevic, A.,
Krishnan-Sarin, S., et al. (2014). Psychometrically improved, abbreviated
versions of three classic measures of impulsivity and self-control. Psychological
Assessment, 26(3),1003–1020. https://doi.org/10.1037/pas0000003.
31. Pantic, I (2014). Online social networking and mental health. Cyberpsychology,
Behavior, and Social Networking, 17(10), 652– 657.
https://doi.org/10.1089/cyber.2014.0070.
32. Pontes, H. M., & Griffiths, M. D. (2015). Measuring DSM-5 internet gaming
disorder: evelopment and validation of a short psychometric scale. Computers in
Human Behavior, 45, 137–143. https://doi.org/10.1016/j.chb.2014.12.006.
33. Pontes, H. M., Kiraly, O., Demetrovics, Z., & Griffiths, M. D. (2014). The
conceptualisation and measurement of DSM-5 Internet Gaming Disorder: The
development of the IGD-20 test. PloS One, 9(10), e110137.
https://doi.org/10.1371/journal.pone.0110137.
34. Rehbein, F., Kliem, S., Baier, D., M€oßle, T., & Petry, N. M. (2015). Prevalence
of Internet gaming disorder in German adolescents: Diagnostic contribution of the
nine DSM-5 criteria in a statewide representative sample. Addiction, 110(5), 842–
851. https:// doi.org/10.1111/add.12849.
35. Rosenberg, M. (1965). Society and the adolescent self-image. Princeton 3.
https://doi.org/10.1515/9781400876136.
36. Ryan, T., Chester, A., Reece, J., & Xenos, S. (2014). The uses and abuses of
Facebook: review of Facebook addiction. Journal of Behavioral Addictions, 3(3),
133–148. https://doi.org/10.1556/ jba.3.2014.016.
37. Sampasa-Kanyinga, H., Chaput, J. P., & Hamilton, H. A. (2019). Social media
use, school connectedness, and academic performance among adolescents. The
Journal of Primary Prevention, 40(2), 189–211. https://doi.org/10.1007/s10935-
019-00543-6.
38. Savci, M., Ercengiz, M., & Aysan, F. (2018). Turkish adaptation of the social
media disorder scale in adolescents. Noro Psikiyatr Ars, 55(3), 248–255.
https://doi.org/10.5152/npa.2017.19285.
19
39. Shafi, R. M. A., Nakonezny, P. A., Romanowicz, M., Nandakumar, A. L., Suarez,
L., & Croarkin, P. E. (2019). The differential impact of social media use on
middle and high school students: retrospective study. Journal of Child and
Adolescent Psychopharmacology, 29(10), 746–752. https://doi.org/10.1089/cap.
2019.0071.
40. Shensa, A., Escobar-Viera, C. G., Sidani, J. E., Bowman, N. D., Marshal, M. P.,
& Primack, B. A. (2017). Problematic social media use and depressive symptoms
among U.S. Young adults: nationally-representative study. Social Science &
Medicine, 182,150–157. https://doi.org/10.1016/j.socscimed.2017.03.061.
41. van Smeden, M., Naaktgeboren, C. A., Reitsma, J. B., Moons, K. G., & de Groot,
J. A. (2014). Latent class models in diagnostic studies when there is no reference
standard–a systematic review. American Journal of Epidemiology, 179(4), 423–
431. https://doi.org/10.1093/aje/kwt286.
42. Tang, C. S. K., Wu, A. M. S., Yan, E. C. W., Ko, J. H. C., Kwon, J. H., Yogo, M.,
et al. (2018). Relative risks of Internet-related addictions and mood disturbances
among college students: A 7- country/region comparison. Public Health, 165, 16–
25. https://doi.org/10.1016/j.puhe.2018.09.010.
43. Wang, Y., Wu, L., Wang, L., Zhang, Y., Du, X., & Dong, G. (2017). Impaired
decision-making and impulse control in Internet gaming addicts: Evidence from
the comparison with recreational Internet game users. Addiction Biology, 22(6),
1610–1621.https://doi.org/10.1111/adb.12458.
20