Sexual Health

BACKGROUND: Due to the popularity and convenience of the internet, cyber-pornography use among youth has attracted the widespread attention of scholars. Cyber-pornography use among Chinese university students remains rarely investigated, especially based on ecological systems theory using machine learning and network analysis approaches. Therefore, the present study examined cyber-pornography use through machine learning and network analysis based on ecological systems theory among a sample of Chinese university students. METHODS: A sample of 1322 university students in different provinces of China were surveyed in a cross-sectional study. The survey included cyber-pornography use variables, demographic information, psychological variables, family variables, and school factors. RESULTS: Of 1332 participants, 25 students were classed as high-risk cyber-pornography users (1.9%). The XGBoost model of machine learning identified 15 important features of cyber-pornography use including social ostracism, moral disengagement, gender, teacher fairness, year of study, age, autonomy, self-control, depression, father and mother's parenting style, relatedness, experience of being left behind, loneliness, and family closeness. In the network analysis, social ostracism was the strongest node in the total sample and among males, whereas depression was the strongest node in females. CONCLUSIONS: Psychological, family, school, and demographic factors (e.g. gender) may directly or indirectly be associated with cyber-pornography use among Chinese university students. The results suggest that ecological systems theory, including the microsystem, mesosystem, macrosystem, and chronosystem, may be considered as one of the core theories in understanding cyber-pornography use. In addition, the interaction of related factors also needs to be examined deeply to aid prevention and intervention of cyber-pornography use in the future.

زمینه: به دلیل محبوبیت و سهولت دسترسی به اینترنت، استفاده از پورنوگرافی سایبری در میان جوانان توجه گسترده پژوهشگران را به خود جلب کرده است. استفاده از پورنوگرافی سایبری در میان دانشجویان دانشگاه‌های چین به‌ویژه بر اساس نظریه نظام‌های بوم‌شناختی با بهره‌گیری از رویکردهای یادگیری ماشین و تحلیل شبکه‌ای به‌ندرت مورد بررسی قرار گرفته است. بنابراین، مطالعه حاضر استفاده از پورنوگرافی سایبری را از طریق یادگیری ماشین و تحلیل شبکه‌ای مبتنی بر نظریه نظام‌های بوم‌شناختی در میان نمونه‌ای از دانشجویان دانشگاه‌های چین بررسی کرد. روش‌ها: نمونه‌ای متشکل از ۱۳۲۲ دانشجوی دانشگاه در استان‌های مختلف چین در یک مطالعه مقطعی مورد بررسی قرار گرفتند. پرسشنامه شامل متغیرهای استفاده از پورنوگرافی سایبری، اطلاعات جمعیت‌شناختی، متغیرهای روان‌شناختی، متغیرهای خانوادگی و عوامل مدرسه بود. یافته‌ها: از میان ۱۳۳۲ شرکت‌کننده، ۲۵ دانشجو به عنوان کاربران پرخطر پورنوگرافی سایبری (۱/۹٪) طبقه‌بندی شدند. مدل XGBoost یادگیری ماشین، ۱۵ ویژگی مهم استفاده از پورنوگرافی سایبری از جمله طرد اجتماعی، گسست اخلاقی، جنسیت، انصاف معلم، سال تحصیلی، سن، خودمختاری، خودکنترلی، افسردگی، سبک فرزندپروری پدر و مادر، ارتباط، تجربه رهاشدگی، تنهایی و نزدیکی خانوادگی را شناسایی کرد. در تحلیل شبکه‌ای، طرد اجتماعی قوی‌ترین گره در کل نمونه و در میان مردان بود، در حالی که افسردگی قوی‌ترین گره در زنان بود. نتیجه‌گیری: عوامل روان‌شناختی، خانوادگی، مدرسه و جمعیت‌شناختی (مانند جنسیت) ممکن است به طور مستقیم یا غیرمستقیم با استفاده از پورنوگرافی سایبری در میان دانشجویان دانشگاه‌های چین مرتبط باشند. نتایج نشان می‌دهد که نظریه نظام‌های بوم‌شناختی، شامل خردنظام، میان‌نظام، کلان‌نظام و کرونونظام، می‌تواند به عنوان یکی از نظریه‌های اصلی در فهم استفاده از پورنوگرافی سایبری مورد توجه قرار گیرد. علاوه بر این، تعامل عوامل مرتبط نیز باید به طور عمیق‌تری بررسی شود تا به پیشگیری و مداخله در استفاده از پورنوگرافی سایبری در آینده کمک کند.