Ergebnisse Studie 1

Hinweis

Es sind noch nicht alle Daten analysiert. Deswegen siehst du hier die vorläufigen Ergebnisse.

Soziodemografische Daten

Es wurden n=40 gesunde Probanden erhoben, mit n=20 weiblichen und n=20 männlichen Teilnehmer*innen. Pro Social-Media-Gruppe sind von 20 aus der High-Gruppe und 20 aus der Low-Gruppe vollständige Datensätze vorhanden.

Alter

Alter nach SM-Nutzung:

Geschlecht

Geschlecherverteilung in beiden SM-Nutzungsgruppen:

BMI

Hier ist die BMI-Verteilung dargestellt.

Social Media Behavior

Jahre

Summe der Jahre (privat + dienstlich) in den beiden Gruppen:

MTUAS

Ergebnisse der Media and Technology Usage Scale in beiden Gruppen:

BSNAS

Ergbenisse der Bergen Social Network Addiction Scale in beiden Gruppen

VAS

Mithilfe von VAS wurden Aufmerksamkeit, MÜdigkeit und Schmerzen jeweils vor und nach dem Experiment erhoben.

Aufmerksamkeit

Müdigkeit

Schmerzen

Andere Einflussfaktoren

Sleep

Playing Computer Games

Instrument and Sport

Social Media on Experimental Behavior

Ergebnisse SRTT

Alle Proband*innen an Tag 1 und Tag 2

## ----------------------------------------------------------------------------
## PLOTTEN (ALLE)
## ----------------------------------------------------------------------------
daten_gesamt[daten_gesamt == "NaN"] <- NA

#Mittelwerte für den Datensatz berechnen
daten_mittelwerte <- daten_gesamt %>%
  group_by(Block, Messzeitpunkt) %>%
  summarise(time_sum = mean(time_sum, na.rm = TRUE), .groups = "drop")

graph = ggplot(daten_mittelwerte, 
       aes(x = Block, 
           y = time_sum,
           color = Messzeitpunkt,
           group = Messzeitpunkt)) +
  geom_line() +                           
  geom_point() +                    
  labs(
    x = "Sequenzen", 
    y = "Mittlere Reaktionszeit (ms)",
    color = "Tag:")+  # Legendentitel hier definieren
  scale_x_continuous(
    breaks = 1:17,
    labels = c("R1", "L1", "L2", "L3", "R4", "L5", "L6", "L7", "L8", 
               "L9", "L10", "L11", "L12", "L13", "L14", "L15", "R2")
  ) +
  scale_color_manual(
    values = c("azure4", "darkgoldenrod2"), 
    labels = c("Tag 1", "Tag 2")
  ) +
  theme_minimal(base_size = 10) +  # Schriftart entfernen falls nicht installiert
  theme(
    legend.position = "bottom",
    legend.text = element_text(size = 10),
    legend.title = element_text(size = 10),
    panel.grid.major = element_line(color = "grey85", size = 0.3),
    panel.grid.minor = element_blank(),
    axis.text = element_text(size = 11, color = "black"),
    axis.title = element_text(size = 11, face = "bold"),
  )
ggplotly(graph)

Tag 1, geteilt nach SM-Nutzung

# Mergen von SM Data und SRTT

daten_gesamt <- daten_gesamt %>%
  rename(vp= Proband)

daten_gesamt <- daten_gesamt %>%
  mutate(vp = paste0("vp", str_pad(vp, 2, pad = "0")))

# Nur relevante Spalten aus soz verwenden
soz_slim <- soz %>%
  select(vp, sm_group)

# Join mit daten_gesamt auf 'vp'
daten_gesamt <- daten_gesamt %>%
  left_join(soz_slim, by = "vp")

## ----------------------------------------------------------------------------
## PLOT SRTT TIMES DAY 1 (ABSOLUTE WERTE)
## ----------------------------------------------------------------------------

# Filter data for Day 1 and calculate mean time_sum for each group
daten_tag1 <- daten_gesamt %>%
  filter(Messzeitpunkt == "1") %>%
  group_by(Block, sm_group) %>%
  summarise(mean_time = mean(time_sum, na.rm = TRUE),
            sd_time = sd(time_sum, na.rm = TRUE),
            .groups = "drop")

# Create the plot
graph = ggplot(daten_tag1, 
       aes(x = Block, 
           y = mean_time,
           color = sm_group,
           group = sm_group)) +
  geom_line() +                           
  geom_point() +                    
  # geom_errorbar(aes(ymin = mean_time - sd_time, 
                  #  ymax = mean_time + sd_time),
                # width = 0.2, size = 0.5) +        
  labs(
    x = "Sequenzen", 
    y = "Mittlere Reaktionszeit (ms)",
    color = "SM-Nutzung"
  ) +
  scale_x_continuous(
    breaks = 1:17,
    labels = c("R1", "L1", "L2", "L3", "R4", "L5", "L6", "L7", "L8", 
               "L9", "L10", "L11", "L12", "L13", "L14", "L15", "R2")
  ) +
  scale_color_manual(
    values = c("darkgoldenrod2", "azure4"), 
    labels = c("Low", "High")
  ) +
  theme_minimal(base_size = 10) +
  theme(
    legend.position = "bottom",
    legend.text = element_text(size = 10),
    panel.grid.major = element_line(color = "grey85", size = 0.3),
    panel.grid.minor = element_blank(),
    axis.text = element_text(size = 11, color = "black"),
    axis.title = element_text(size = 11, face = "bold")
  )
ggplotly(graph)

Tag 2, geteilt nach SM-Nutzung

```{r}
## ----------------------------------------------------------------------------
## PLOT SRTT TIMES DAY 2 (ABSOLUTE WERTE)
## ----------------------------------------------------------------------------

# Filter data for Day 2 and calculate mean time_sum for each group
daten_tag2 <- daten_gesamt %>%
  filter(Messzeitpunkt == "2") %>%
  group_by(Block, sm_group) %>%
  summarise(mean_time = mean(time_sum, na.rm = TRUE),
            sd_time = sd(time_sum, na.rm = TRUE),
            .groups = "drop")

# Create the plot
graph = ggplot(daten_tag2, 
       aes(x = Block, 
           y = mean_time,
           color = sm_group,
           group = sm_group)) +
  geom_line() +                           
  geom_point() +                    
  # geom_errorbar(aes(ymin = mean_time - sd_time, 
                  #  ymax = mean_time + sd_time),
                # width = 0.2, size = 0.5) +        
  labs(
    x = "Sequenzen", 
    y = "Mittlere Reaktionszeit (ms)",
    color = "SM-Nutzung"
  ) +
  scale_x_continuous(
    breaks = 1:17,
    labels = c("R1", "L1", "L2", "L3", "R4", "L5", "L6", "L7", "L8", 
               "L9", "L10", "L11", "L12", "L13", "L14", "L15", "R2")
  ) +
  scale_color_manual(
    values = c("darkgoldenrod2", "azure4"), 
    labels = c("Low", "High")
  ) +
  theme_minimal(base_size = 10) +
  theme(
    legend.position = "bottom",
    legend.text = element_text(size = 10),
    panel.grid.major = element_line(color = "grey85", size = 0.3),
    panel.grid.minor = element_blank(),
    axis.text = element_text(size = 11, color = "black"),
    axis.title = element_text(size = 11, face = "bold")
  )
ggplotly(graph)
```

Euklidische Distanz in der Neuonavigation

```{r}
#| eval: true # code is executed
#| label: tbl-neuronavigation
#| tbl-cap: "Durchschnittliche euklidische Distanz"

datatable(df_mean)
```

Tabelle 1: Durchschnittliche euklidische Distanz

Neuronavigation

Die Kappe wurde mithilfe von Neuronavigation an beiden Tagen an 400 Punkten Fz, Cz, T7, T8 und Pz ausgerichtet. Die Differenz an beiden Tagen wurde mithilfe der Euklidischen Distanz berechnet und ist in Tabelle 1 dargestellt.

```{r code neuronavigation table}
#| eval: true # code is executed
#| tbl-cap: "Durchschnittliche euklidische Distanz"

datatable(df_mean)
```

Stroop data

The Stroop test was initially invented by Stroop (R Core Team 2025).

R Core Team. 2025. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.