Skip to main content
Open AccessStudie

Internetnutzungsstörungen unter deutschen Jugendlichen vor und während der COVID-19-Pandemie

Published Online:https://doi.org/10.1026/0942-5403/a000390

Abstract

Zusammenfassung.Theoretischer Hintergrund: Internetnutzungszeiten von Jugendlichen sind während der COVID-19-Pandemie stark angestiegen. Dies wird auch mit einer Zunahme an Internetnutzungsstörungen in Verbindung gebracht. Fragestellung: Anhand eines ipsativen Vergleichs wurde untersucht, ob mit der gestiegenen Online-Zeit während der COVID-19-Pandemie auch die schädliche und abhängige Internetnutzung bei Jugendlichen zugenommen hat. Methode: 743 Jugendliche aus acht weiterführenden Schulen in der Metropolregion Rhein-Neckar wurden in zwei Wellen (2015/2016 und 2021) mit der Compulsive Internet Use Scale untersucht. Ergebnisse: Sowohl die Symptomschwere als auch die Prävalenz der abhängigen Internetnutzung nahmen signifikant über die Zeit zu. Die Symptombelastung korrelierte außerdem negativ mit der Lebensqualität. Diskussion und Schlussfolgerung: Es wird diskutiert, wie dem erhöhten Versorgungsbedarf mit verhältnis- und verhaltenspräventiven Maßnahmen und therapeutischen Angeboten begegnet werden kann.

Internet Use Disorders Among German Adolescents Before and During the COVID-19 Pandemic

Abstract.Theoretical background: Several studies indicate that the level of adolescents’ time spent online increased sharply during the lockdown measures in the wake of the COVID-19 pandemic. Initial studies also link this to an increase in Internet use disorders. Objective: Using an ipsative comparison, the present study examined whether Internet use disorders and symptoms of problematic Internet use increased among adolescents during the COVID-19 pandemic and how this is related to quality of life. Method: For this purpose, we examined 743 (unselected) adolescents from eight secondary schools (26 classes) in the Rhine-Neckar metropolitan region in two waves using the Compulsive Internet Use Scale (CIUS). The first wave (t1, n = 507; MAge= 15.7, SDAge = 1.8, female = 49 %) was collected between July 2015 and October 2016. The second wave (t2, n = 236, MAge = 15.3, SDAge = 2.3, female = 54 %) was studied in the same schools and grade levels (also 26 classes) from July to December 2021. Results: There was a significant increase in symptom severity of Internet use disorders. The CIUS mean score increased from M = 15.8 to M = 19.3 points (Mdiff = –3.5 points, 95 % KI [–4.9, -2.1], p < .001, partial η² = .03. The prevalence of addictive Internet use doubled from 7.1 % before to 14.8 % during the pandemic (p = .002). Hazardous Internet use did not increase significantly (13.8 % at t1 vs. 15.7 % at t2, p = .749). In contrast, normal Internet use decreased by 10 % from 79.1 % to 69.5 % (p = .006). Symptom severity was also moderately negatively correlated with quality of life, which is below the normal range in individuals with addictive Internet use. Discussion and Conclusion: The extent to which the increase in Internet use disorders is attributable to exposure during the COVID-19 pandemic is debatable. Nevertheless, the results do indicate an increased need for care among adolescents. Situational prevention interventions should therefore be expanded and implemented. The subsequent implementation of evidence-based behavioral prevention and early intervention programs should be promoted as well as facilitation of access to therapeutic services.

Für die meisten Menschen stellten die Lockdown-Maßnahmen während der COVID-19-Pandemie eine große Belastung dar. Ohne die Möglichkeiten des Internets hätten sich Distanzunterricht und Home-Office, die Aufrechterhaltung sozialer Kontakte und die Freizeitbeschäftigung in den eigenen vier Wänden aber vermutlich noch schwieriger gestaltet. Gleichzeitig warnten schon kurz nach dem COVID-19-Ausbruch mehrere Forschende davor, dass die vielfältigen Belastungen durch die Pandemie zu einem Anstieg von Internetnutzungsstörungen (INS) führen könnten (z. B. King, Delfabbro, Billieux & Potenza, 2020; Rumpf et al., 2020).

Unter dem Oberbegriff INS werden spezifische Verhaltenssüchte zusammengefasst, die vordergründig online ausgeübt werden (Rumpf et al., 2021). Die Unterscheidung spezifischer INS wird derzeit überwiegend in Bezug auf das gezeigte Verhalten getroffen. Die bislang am besten untersuchte INS stellt die (Internet) Gaming Disorder dar, die bereits Eingang in das DSM-5 (als Forschungsdiagnose) und in die ICD-11 (Code: 6C51) fand (APA, 2013; WHO, 2021). Wie bei substanzgebundenen Süchten ist die schädliche Nutzung (hier: Hazardous Gaming, Code: QE22) von der Abhängigkeit abzugrenzen. Auch für die Social-Media-Nutzungsstörung, die Online-Shopping-Störung und die Pornographie-Nutzungsstörung gibt es mittlerweile weitgehende Evidenz (Brand et al., 2020). Für das Jugendalter sind insbesondere die Nutzung von Videospielen, sozialen Netzwerken und Streamingdiensten relevant (Müller et al., 2018).

Prävalenzstudien vor der COVID-19-Pandemie berichteten von einer Prävalenzrate der Online-Verhaltenssüchte von 1 bis 2 Prozent in der gesamten deutschen Bevölkerung (Müller, Glaesmer, Brähler, Wölfling & Beutel, 2013; Rumpf et al., 2014), während sich Prävalenzschätzungen für deutsche Jugendliche zwischen 3 und 6 Prozent bewegten (Lindenberg, Halasy, Szász-Janocha & Wartberg, 2018; Rumpf et al., 2014; Wartberg, Kriston, Kammerl, Petersen & Thomasius, 2015). Die Prävalenzen für schädlichen Gebrauch lagen bei Jugendlichen zwischen 14 und 15 Prozent (Kaess et al., 2016; Lindenberg et al., 2018). Diese Zahlen verdeutlichen, dass Jugendliche besonders vulnerabel für INS sind.

Während der COVID-19-Pandemie zeigte sich eine deutliche Zunahme in der Internetnutzung, insbesondere bei Jugendlichen. So verbrachten 10- bis 18-Jährige im Sommer 2020 pro Tag durchschnittlich etwa sechs Stunden im Internet (Lampert & Thiel, 2021), was deutlich über den ermittelten Nutzungszeiten anderer Studien vor der Pandemie lag (Hasebrink, Lampert & & Thiel, 2019; Medienpädagogischer Forschungsverbund Südwest, 2020). Eine andere Studie konnte zeigen, dass Jugendliche zu Beginn der Pandemie etwa 60 Prozent mehr Zeit unter der Woche mit Gaming und Social Media verbrachten (Thomasius, 2021). Auch wenn die Nutzungszeiten über die folgenden Messzeitpunkte abnahmen, lagen sie im Mai 2021 immer noch 20 bis 30 Prozent höher als vor der COVID-19-Pandemie. Von 2019 auf 2021 wurde zudem eine Zunahme in der abhängigen Nutzung von digitalen Spielen und in der schädlichen und abhängigen Nutzung von sozialen Netzwerken ermittelt. Diese Ergebnisse weisen darauf hin, dass INS während der COVID-19-Pandemie unter Jugendlichen zugenommen haben.

Epidemiologische Studien zeigen, dass Internetnutzungsstörungen während des Jugendalters mit zunehmendem Alter in ihrer Häufigkeit ansteigen (Lindenberg et al., 2018). Deshalb ist es notwendig, einschlägige historische Einflüsse (wie bspw. die Auswirkungen der Pandemie) unabhängig von entwicklungsabhängigen Veränderungen (wie bspw. ein entwicklungsbedingter Anstieg an Prävalenz in bestimmten Lebensphasen) zu untersuchen. Deshalb wählten wir für die hier vorliegende Studie eine ipsative Vergleichsperspektive. Diese Methode ist aus internationalen Schulleistungsstudien wie der PISA-Studie bekannt und stellt einen Vergleich derselben Altersgruppe über die Zeit an. Für diese Studie wählten wir einen Ansatz, in dem wir während der Pandemie dieselben Schulen und Klassenstufen erneut untersuchten, die vor der Pandemie in einer ersten Welle befragt wurden.

Dabei sollte die Frage untersucht werden, ob INS unter Jugendlichen, sowohl dimensional als auch kategorial, während der Pandemie zugenommen haben. Um die praktische Relevanz der Studienergebnisse zu evaluieren, sollte außerdem der Frage nachgegangen werden, ob während der COVID-19-Pandemie eine höhere Symptombelastung von INS mit einer geringeren gesundheitsbezogenen Lebenszufriedenheit einherging.

Methode

Stichprobe

Prozedur und Stichprobenbeschreibung. Für einen ipsativen Vergleich wurden alle 41 Schulen kontaktiert, die bereits zwischen 2015 und 2017 am Screening für die PROTECT-Studie von Lindenberg, Kindt und Szász-Janocha (2022) teilgenommen hatten. Bei diesen Schulen handelte es sich um weiterführende Regelschulen in der Metropolregion Rhein-Neckar. Das Ethikvotum für die PROTECT-Studie (1. Welle) wurde am 03. 09. 2015 erteilt, für die PROTECTcorona-Studie (2. Welle) am 16. 06. 2021. Zusätzlich stimmte die Baden-Württembergische Schulbehörde der Durchführung der Studie zu. Die Jugendlichen sowie deren Erziehungsberechtigte wurden schriftlich und mündlich über die Studie aufgeklärt und erteilten ihr schriftliches Einverständnis. Die Prozedur der ersten Welle ist in Lindenberg et al. (2022) ausführlich beschrieben. An der 2. Welle (t2, Juli bis Dezember 2021) nahmen 236 Jugendliche (MAlter = 15.3, SDAlter = 2.3; 54 % weiblich) aus 26 Klassen und 8 Schulen teil, 67 % davon online, 33 % auf Papierfragebögen.

Unvollständige Datensätze sowie alle Teilnehmenden, die das 21. Lebensjahr vollendet hatten, wurden ausgeschlossen. Aus der 1. Welle (t1, Juli 2015 bis Oktober 2016) wurden 507 Jugendliche (MAlter = 15.7, SDAlter = 1.8, 49 % weiblich) eingeschlossen, zu deren Schule und Klassenstufe korrespondierende Daten in der zweiten Welle gewonnen werden konnten. Insgesamt resultierte eine Stichprobe von N = 743 Jugendlichen (n1 = 507, n2 = 236) aus acht weiterführenden Schulen (2 Gymnasien, 1 Haupt- und Realschule und 5 Berufsschulen) in der Metropolregion Rhein-Neckar. Die beiden untersuchten Stichproben unterschieden sich nicht bedeutsam in der Geschlechterzusammensetzung, χ²(1) = 1.35, p = .246. In Bezug auf das Alter zeigte sich jedoch ein signifikanter Unterschied von durchschnittlich 0.4 Jahren, 95 %-KI [0.1, 0.8], t‍(385.364) = 2,619.59, p = .009. Dies wurde in den weiteren Analysen entsprechend berücksichtigt.

Stichprobenumfangsplanung. Vor der Durchführung der 2. Welle wurde eine Stichprobenumfangsplanung durchgeführt. Da die Daten der Individuen in Klassen erhoben wurden und somit genestet waren, wurde die Anwendung eines Mehrebenenmodells in Betracht gezogen. Hierfür wird üblicherweise ein Minimum von 30 Gruppen empfohlen (z. B. Maas & Hox, 2004), weshalb die Befragung von 30 Klassen angestrebt wurde.

Zusätzlich wurde für den Fall, dass sich die hierarchische Datenstruktur als vernachlässigbar erwies, eine Stichprobenumfangsplanung mit G*Power durchgeführt (Version 3.1.3.9; Faul, Erdfelder, Buchner & Lang, 2009). In diesem Fall sollte eine ANCOVA als Analysemethode mit dem höchsten Anspruch an die Stichprobengröße herangezogen werden, um die Veränderungen der Symptome von INS zwischen den beiden Wellen (t1 vs. t2) zu untersuchen. Für zwei Gruppen, bis zu 2 potenzielle Kovariaten (Alter und Geschlecht), einem α = .05, einer Teststärke von .80 und einem moderaten Effekt wurde eine notwendige Stichprobengröße von N = 128 Jugendlichen ermittelt. Die benötigte Stichprobengröße ohne Berücksichtigung der Mehrebenenstruktur wurde in der hier berichteten Studie übertroffen, N = 743 (n1 = 507, n2 = 236), die angestrebte Klassenanzahl für Mehrebenenanalysen mit 26 Klassen knapp verfehlt.

Messinstrumente

Internetnutzungsstörungen. Sowohl Symptome als auch voll ausgeprägte INS wurden mit der Compulsive Internet Use Scale (CIUS; Meerkerk, van den Eijnden, Vermulst & Garretsen, 2009) im Selbstbericht erhoben. Bei der CIUS handelt es sich um ein viel verwendetes, dimensionales Instrument zur Erfassung der Schwere von INS. Es werden 14 Items auf einer 5-stufigen Likertskala (0 = nie bis 4 = sehr häufig) beantwortet (z. B. „Wie häufig findest du es schwierig, mit dem Internetgebrauch aufzuhören, wenn du online bist?“). Dabei werden Symptome von Kontrollverlust, Entzugserscheinungen, Vereinnahmung von Gedanken und Verhalten, Coping und intra- und interpersonelle Konflikte erhoben.

Die CIUS weist insbesondere für deutsche Jugendliche eine stabile einfaktorielle Struktur und gute psychometrische Eigenschaften auf (Wartberg, Petersen, Kammerl, Rosenkranz & Thomasius, 2014). In dieser Studie wurde die deutsche Übersetzung der CIUS von Gürtler et al. (2014) verwendet. Die Anrede wurde aufgrund der jungen Zielgruppe von „Sie“ zu „du“ geändert.

Die CIUS ist auch während der COVID-19-Pandemie ein gutes Instrument zur Erfassung von INS, da sie im Gegensatz zu anderen Instrumenten kein Zeitkriterium enthält und dadurch nicht durch höhere Nutzungszeiten während der Pandemie verfälscht wird (López García, Sánchez Gómez & García-Valcárcel Muñoz-Repiso, 2020). In unserer Stichprobe wies die CIUS sowohl vor als auch während der Pandemie eine hohe interne Konsistenz auf (αt1 = .87 und αt2 = .86).

Die Symptomschwere wurde durch Addition der Werte aller 14 Items mit dem CIUS-Summenscore bestimmt. Dadurch konnten Werte zwischen 0 und 56 erzielt werden, wobei höhere Werte eine stärkere Symptombelastung anzeigten. Gemäß den Ergebnissen aus einer repräsentativen deutschen Stichprobe wurde eine schädliche Internetnutzung ab einem Wert von 24, eine abhängige Internetnutzung ab einem Wert von 30 angenommen (Bischof, Bischof, Meyer, John & Rumpf, 2013).

Gesundheitsbezogene Lebensqualität. Der KIDSCREEN-10 Index ist ein eindimensionales Instrument zum Screening der gesundheitsbezogenen Lebensqualität von Kindern und Jugendlichen im Alter von 8 bis 18 Jahren (The KIDSCREEN Group Europe, 2006). Er berücksichtigt körperliches und psychisches Wohlbefinden, Autonomieempfinden, die wahrgenommene Qualität der Beziehung zu Eltern und Gleichaltrigen sowie das schulische Wohlbefinden. Die zehn Items (z. B. „Hast du dich fit und wohl gefühlt?“) werden auf einer 5-stufigen Likert-Skala (1 = nie bis 5 = immer bzw. 1 = überhaupt nicht bis 5 = sehr) und in Bezug auf die vorherige Woche beantwortet. Auf Basis eines Rasch-Modells werden standardisierte T-Werte mit M = 50 und SD = 10 ermittelt. Dabei zeigen höhere Werte eine höhere Lebensqualität an.

Der KIDSCREEN-10 Index weist gute psychometrische Eigenschaften auf (Ravens-Sieberer et al., 2014; The KIDSCREEN Group Europe, 2006). Die hohe interne Konsistenz konnte auch in dieser Studie bestätigt werden, α = 0.86.

Soziodemografische Daten. In beiden Wellen wurden Alter, Geschlecht, Klasse und Schule erhoben. In der 2. Welle wurden außerdem der voraussichtliche Schulabschluss und die Schulleistungen erfragt, was in den Analysen nicht berücksichtigt wurde.

Statistische Analyseverfahren

Die Auswertung der Daten erfolgte unter Verwendung der Statistiksoftware IBM SPSS Statistics Version 27. Für die CIUS wurde der Summenscore berechnet und die kategoriale Einteilung in unauffällige, schädliche und abhängige Nutzung vorgenommen. Für die 2. Welle wurde zudem der T-Wert des KIDSCREEN-10 Index nach Manual berechnet (The KIDSCREEN Group Europe, 2006).

Um zu entscheiden, ob die Varianz im CIUS-Summenscore auf Ebene der Klassen ein Mehrebenenmodell notwendig machte, wurde nach Peugh (2010) mithilfe eines Nullmodells der Intraklassenkorrelationskoeffizient (ICC) und der Design-Effekt (deff) berechnet. Nur 3.2 % der Varianz des CIUS-Scores (ρ = 0.032) waren auf Unterschiede zwischen den Klassen zurückzuführen, während die übrigen 96.8 % der Varianz auf Unterschiede zwischen den Schüler_innen zurückgeführt werden konnten. Der deff betrug 1.88. Mehrere Autor_innen halten die Berücksichtigung der Mehrebenenstruktur bei ICC < .05 und deff < 2 für vernachlässigbar (z.B. Hox & Maas, 2002; Muthen & Satorra, 1995). Die Bedingungen, die Lai und Kwok (2015) für die Anwendung dieser Regel aufstellten, wurden überprüft und trafen zu. Die Analyse wurde zusätzlich einmal mit und einmal ohne hierarchische Datenstruktur durchgeführt, um zu überprüfen, ob sich die Ergebnisse substanziell unterschieden. Der Vergleich der Auswertungen legte nahe, dass die Unabhängigkeit der Messungen durch die genesteten Daten nicht verletzt wurde.

Um zu untersuchen, ob sich die Gruppen (t1 vs. t2) in Bezug auf den CIUS-Summenscore unterschieden, wurde eine ANCOVA berechnet, die das Alter als Kovariate berücksichtigte. Um die relativen Häufigkeiten von schädlicher und abhängiger Internetnutzung vor und während der COVID-19-Pandemie zu vergleichen, wurden ein χ²-Test durchgeführt und Konfidenzintervalle berechnet. Es wurde außerdem die Korrelation zwischen dem CIUS-Score und dem T-Wert des KIDSCREEN-10 Index berechnet.

Ergebnisse

Symptomschwere von Internetnutzungsstörungen

Nach Überprüfung der Voraussetzungen (Homogenität der Regressionssteigungen, Homogenität der Varianzen und Normalverteilung der Residuen) wurde eine einfaktorielle ANCOVA durchgeführt, um zu untersuchen, ob sich die Gruppen in Bezug auf INS-Symptome (CIUS-Summenscore) signifikant unterschieden, wenn für das Alter kontrolliert wurde. Der Mittelwertsunterschied von Mdiff = -3.5 Punkten (95 % KI [–4.9, -2.1], Mt1 = 15.8, SD = 0.4 vs. Mt2 = 19.3, SD = 0.6), war statistisch signifikant F‍(1, 731) = 23.90, p < .001, partielles η² = .03.

Schädliche und abhängige Internetnutzung

Tabelle 1 zeigt die Veränderung in der Internetnutzung vor und während der Pandemie. Während die unauffällige Internetnutzung während der Pandemie um etwa 10 % abnahm, ist in der schädlichen Nutzung ein leichter Anstieg von zwei Prozentpunkten zu beobachten. Die abhängige Internetnutzung hat sich von etwa 7 % auf 15 % mehr als verdoppelt. Die Unterschiede in der kategorialen Klassifikation von INS (unauffällig, schädlich und abhängig) waren statistisch signifikant zwischen den Gruppen, χ²(2) = 12.41, p = .001, V = 0.13. Nach Durchführung von Post-hoc-Tests zeigte sich, dass nur die Zunahme in der abhängigen und die Abnahme in der unauffälligen Internetnutzung bei kleinem Effekt signifikant wurden.

Tabelle 1 Relative Häufigkeiten von unauffälliger, schädlicher und abhängiger Internetnutzung vor und während der COVID-19-Pandemie

Zusammenhang zwischen abhängiger Internetnutzung und Wohlbefinden

Deskriptive Statistiken getrennt nach kategorialer INS-Klassifikation zeigen eine verringerte durchschnittliche Lebensqualität für Jugendliche mit abhängiger und schädlicher Nutzung im Vergleich zu Jugendlichen mit unauffälliger Nutzung (siehe Tab. 2). Die durchschnittliche Lebensqualität von Jugendlichen mit abhängiger Internetnutzung lag zudem im unterdurchschnittlichen Bereich. Der CIUS-Summenscore und der T-Wert des KIDSCREEN-10 Index korrelierten moderat negativ miteinander, r = -.471,‌ p < .001.

Tabelle 2 Kennwerte des KIDSCREEN-10 Index nach Klassifikation der Internetnutzung

Diskussion

Die vorliegende Studie stellt die erste Untersuchung unter deutschen Jugendlichen dar, die sich mit der Veränderung von INS während der COVID-19-Pandemie befasst und dabei sämtliche Internetaktivitäten einschließt. Es konnte gezeigt werden, dass die Symptome von INS während der COVID-19-Pandemie unter deutschen Jugendlichen signifikant zunahmen. Durchschnittlich erreichten die Jugendlichen einen um etwa 3.5 Skalenpunkte höheren Wert auf der CIUS. Aufgrund der höheren durchschnittlichen Symptomschwere während der COVID-19-Pandemie stellte sich die Frage, ob dies auch mit einer höheren Anzahl von Jugendlichen einherging, die von einer schädlichen oder abhängigen Internetnutzung betroffen waren. Die Ergebnisse der Studie zeigten, dass tatsächlich die abhängige Internetnutzung während der Pandemie signifikant zunahm. Ein Verdacht auf eine INS lag in der Stichprobe vor der Pandemie bei 7 % der Jugendlichen vor, während es 2021 fast 15 % waren. Entgegen den Erwartungen zeigte sich in der mittleren Kategorie (schädliche Internetnutzung) während der COVID-19-Pandemie keine bedeutsame Veränderung. Eine mögliche Erklärung für diesen Befund ist in der signifikanten Abnahme an Jugendlichen mit unauffälligem Nutzungsverhalten zu finden. Einhergehend mit einer generellen Zunahme in INS-Symptomen könnte sich ein gleichmäßiger Trend in Richtung einer schädlichen bzw. abhängigen Internetnutzung vollzogen haben, der sich daher jedoch nur in der Abnahme der unauffälligen Nutzung und der Zunahme der abhängigen Nutzung bemerkbar machte.

Es wurde außerdem ein moderater negativer Zusammenhang zwischen der Symptomschwere von INS und der Lebensqualität gefunden. Teilweise könnte dieser dadurch zustande gekommen sein, dass einige Items der CIUS abfragen, inwieweit die Lebensqualität durch die Internetnutzung beeinträchtigt wird (z.B. „Wie häufig schläfst du zu wenig wegen des Internets?“). Es könnte jedoch auch als ein Hinweis darauf zu interpretieren sein, dass eine schädliche oder abhängige Internetnutzung während der Pandemie offenbar keine langfristig adaptive Coping-Strategie darstellte. Die verminderte Lebensqualität, die während der Pandemie mit INS einherging, hebt außerdem die praktische Relevanz der berichteten Ergebnisse hervor.

Die vorliegende Studie weist einige Limitationen auf. Zum einen ist die Repräsentativität der Stichprobe eingeschränkt, da nur Jugendliche in der Metropolregion-Rhein-Neckar befragt wurden. Durch die Selbstselektion der Schulen war die Verteilung der Schularten und Klassenstufen weder für die Metropolregion Rhein-Neckar noch für Deutschland repräsentativ.

Die Ergebnisse stellen außerdem keine valide Prävalenzschätzung für schädliche und abhängige Internetnutzung dar. Zum einen ist die Repräsentativität der Stichprobe hierfür nicht gegeben. Zum anderen entspricht die Schätzung von Prävalenzen mithilfe von Cut-Off-Werten nicht den aktuellen methodischen Standards. Da in dieser Studie die Veränderung von INS vor und während der COVID-19-Pandemie untersucht werden sollte, war die Verwendung einheitlicher Cut-Off-Werte über beide Stichproben angemessen, um die Forschungsfrage zu untersuchen.

Aufgrund des querschnittlichen Designs kann der Anstieg von INS jedoch nicht ursächlich auf die COVID-19-Pandemie zurückgeführt werden. Hierfür wäre ein längsschnittliches Design nötig gewesen, was in der vorliegenden Untersuchung nicht zu realisieren war. Durch den zeitlichen Abstand von fünf bis sechs Jahren zwischen den Erhebungen könnte der Anstieg von INS auch durch veränderte Nutzungsgewohnheiten oder technische Innovationen bedingt sein. Die ipsative Vergleichsperspektive stellt allerdings eine sinnvolle Ergänzung zu ähnlichen längsschnittlichen Ergebnissen (z. B. Thomasius, 2021) dar, bei denen Alterseffekte (z. B. ein entwicklungsbedingter Anstieg der Prävalenz) die Ergebnisse konfundieren können. Unabhängig davon, inwieweit der Anstieg von INS durch die Pandemie erklärt werden kann, weisen die Ergebnisse eine hohe praktische Relevanz auf. Sie machen eine gestiegene Symptombelastung im Jugendalter sichtbar, auf die mit einer Anpassung der Versorgungsstruktur reagiert werden sollte.

Fazit

In dieser Studie konnte gezeigt werden, dass die unter Jugendlichen beobachteten erhöhten Online-Zeiten während der COVID-19-Pandemie mit einer Zunahme von INS einhergehen. Dieser Anstieg zeigt sich sowohl anhand einer höheren durchschnittlichen Symptombelastung als auch in einer Zunahme an Jugendlichen mit abhängiger Internetnutzung. Es konnte außerdem gezeigt werden, dass INS auch während der Pandemie mit einem niedrigeren Wohlbefinden zusammenhängen. Die Ergebnisse implizieren sowohl vor als auch während der Pandemie einen hohen Versorgungsbedarf in Bezug auf INS unter Jugendlichen und weisen darauf hin, dass insbesondere seit der Pandemie präventive und psychotherapeutische Maßnahmen zur Verringerung von INS wichtiger sind als je zuvor. Um diesem Versorgungsbedarf gerecht zu werden, sollten verhältnis- und verhaltenspräventive Maßnahmen ausgebaut und umgesetzt werden (Rumpf et al., 2017). Diese beinhalten u. a. eine konsequentere Umsetzung des Jugendschutzes im Internet, Verfügbarkeitsbeschränkungen für Internetanwendungen mit Suchtrisiko und die Kontrolle von abhängigkeitsfördernden Spielmechanismen. In Bezug auf verhaltenspräventive Maßnahmen wurden in Deutschland bislang erst wenige Programme in randomisiert-kontrollierten Studien untersucht (Szász-Janocha, Kindt, Halasy & Lindenberg, 2019). Es sollte daher die Evidenzbasierung und anschließende Implementierung von Programmen zur Verhaltensprävention und Frühintervention gefördert werden. Der hohen Anzahl an Jugendlichen mit abhängiger Nutzung sollte durch einen schnelleren und erleichterten Zugang zu therapeutischen Angeboten Rechnung getragen werden. Dies könnte mit einer Anpassung der Bedarfsplanung für Kinder- und Jugendlichenpsychotherapie erreicht werden. Da es sich bei INS um ein junges Störungsbild handelt, sollte für eine bessere Versorgung im psychotherapeutischen Setting außerdem spezifisches Behandlungswissen in therapeutische Weiterbildungen und Berufsausbildungen integriert werden (Hinze, Müller, Noack, Raiser & Schinner, 2020).

Abschließend soll noch einmal festgehalten werden, dass der Großteil der Jugendlichen in dieser Studie auch während der COVID-19-Pandemie eine angemessene Internetnutzung aufwies. Höhere Online-Zeiten können für viele Jugendliche eine sinnvolle Bewältigungsstrategie dargestellt haben, um mit den Belastungen der Pandemie umzugehen. Die vorgeschlagenen Maßnahmen können jedoch dazu beitragen, dass die Nutzung des Internets auch für Jugendliche mit schädlichem und abhängigem Internetgebrauch wieder als Bereicherung erlebt wird.

Literatur

  • APA. (2013). Diagnostic and statistical manual of mental disorders: DSM-5. American Psychiatric Publishing, Inc. https://doi.org/10.1176/appi.books.9780890425596 First citation in articleGoogle Scholar

  • Bischof, G., Bischof, A., Meyer, C., John, U. & Rumpf, H.–J. (2013). Prävalenz der Internetabhängigkeit – Diagnostik und Risikoprofile (PINTA-DIARI). Kompaktbericht an das Bundesministerium für Gesundheit. Lübeck. Verfügbar unter: https://www.landkreis-coburg.de/files/pinta-diari-2013-kompaktbericht.pdf First citation in articleGoogle Scholar

  • Brand, M., Rumpf, H.–J., Demetrovics, Z., Müller, A., Stark, R., King, D. L. et al. (2020). Which conditions should be considered as disorders in the International Classification of Diseases (ICD-11) designation of ”other specified disorders due to addictive behaviors”? Journal of Behavioral Addictions. https://doi.org/10.1556/2006.2020.00035 First citation in articleCrossrefGoogle Scholar

  • Faul, F., Erdfelder, E., Buchner, A. & Lang, A.–G. (2009). Statistical power analyses using G*Power 3.1: tests for correlation and regression analyses. Behavior Research Methods, 41, 1149 – 1160. https://doi.org/10.3758/BRM.41.4.1149 First citation in articleCrossrefGoogle Scholar

  • Gürtler, D., Rumpf, H.–J., Bischof, A., Kastirke, N., Meerkerk, G. J., John, U. et al. (2014). Psychometrische Eigenschaften und Normierung der deutschen Version der Compulsive Internet Use Scale (CIUS). Diagnostica, 61, 210 – 221. https://doi.org/10.1026/0012-1924/a000127 First citation in articleLinkGoogle Scholar

  • Hasebrink, U., Lampert, C. & Thiel, K. (2019). Online-Erfahrungen von 9-bis 17-Jährigen: Ergebnisse der EU Kids Online-Befragung in Deutschland 2019 (2., überarb. Aufl.). Online-Erfahrungen von 9- bis 17-Jährigen. Hamburg: Hans-Bredow-Institut. Verfügbar unter: https://leibniz-hbi.de/uploads/media/default/cms/media/9rqoihmEUKODE191209.pdf First citation in articleGoogle Scholar

  • Hinze, K., Müller, K. W., Noack, M., Raiser, P. & Schinner, D. (2020). Ergebnisse der gemeinsamen Arbeitsgruppe „Problematisches Computerspielen und Computerspielstörung (Gaming Disorder)“ der Deutschen Hauptstelle für Suchtfragen e.V. und des Fachverbands Medienabhängigkeit e.V. (Deutsche Hauptstelle für Suchtfragen & Fachverband Medienabhängigkeit, Hrsg.). Verfügbar unter: https://www.dhs.de/fileadmin/user_upload/pdf/news/Ergebnispapier_AG_Problematisches_Computerspielen_und_Gaming_Disorder.pdf First citation in articleGoogle Scholar

  • Hox, J. J. & Maas, C. J. M. (2002). Sample sizes for multilevel modeling. In J. BlasiusJ. HoxE. de LeeuwP. Schmidt (Eds.), Social science methodology in the new millennium (2nd expanded ed.). Proceedings of the Fifth International Conference on Logic and Methodology (CDROM). Opladen, RG: Leske +Budrich Verlag. First citation in articleGoogle Scholar

  • Kaess, M., Parzer, P., Brunner, R., Koenig, J., Durkee, T., Carli, V. et al. (2016). Pathological internet use is on the rise among european adolescents. The Journal of Adolescent Health: Official Publication of the Society for Adolescent Medicine, 59, 236 – 239. https://doi.org/10.1016/j.jadohealth.2016.04.009 First citation in articleCrossrefGoogle Scholar

  • The KIDSCREEN Group Europe. (2006). The KIDSCREEN questionnaires – Quality of life questionnaires for children and adolescents. Handbook. Lengerich: Pabst Science Publishers. First citation in articleGoogle Scholar

  • King, D. L., Delfabbro, P. H., Billieux, J. & Potenza, M. N. (2020). Problematic online gaming and the COVID-19 pandemic. Journal of Behavioral Addictions, 9, 184 – 186. https://doi.org/10.1556/2006.2020.00016 First citation in articleCrossrefGoogle Scholar

  • Lai, M. H. C. & Kwok, O. (2015). Examining the rule of thumb of not using multilevel modeling: The “design effect smaller than two” rule. The Journal of Experimental Education, 83, 423 – 438. https://doi.org/10.1080/00220973.2014.907229 First citation in articleCrossrefGoogle Scholar

  • Lampert, C. & Thiel, K. (2021). Mediennutzung und Schule zur Zeit des ersten Lockdowns während der Covid-19-Pandemie 2020. Ergebnisse einer Online-Befragung von 10- bis 18-Jährigen in Deutschland (Arbeitspapiere des Hans-Bredow-Instituts, Nr. 53). Hamburg: Leibniz-Institut für Medienforschung/Hans-Bredow-Institut. First citation in articleGoogle Scholar

  • Lindenberg, K., Halasy, K., Szász-Janocha, C. & Wartberg, L. (2018). A phenotype classification of internet use disorder in a large-scale high-school study. International Journal of Environmental Research and Public Health, 15 (4), 733 https://doi.org/10.3390/ijerph15040733 First citation in articleCrossrefGoogle Scholar

  • Lindenberg, K., Kindt, S. & Szász-Janocha, C. (2022). Effectiveness of cognitive behavioral therapy-based intervention in preventing gaming disorder and unspecified internet use disorder in adolescents: A cluster randomized clinical trial. JAMA Network Open, 5 (2), e2148995. https://doi.org/10.1001/jamanetworkopen.2021.48995 First citation in articleCrossrefGoogle Scholar

  • López García, C., Sánchez Gómez, M. C. & García-Valcárcel Muñoz-Repiso, A. (2020). Scales for measuring internet addiction in Covid-19 times. In F. J. García-PeñalvoA. García-Holgado (Eds.), Eighth international conference on technological ecosystems for enhancing multiculturality (pp. 600 – 604). New York, NY: ACM. First citation in articleCrossrefGoogle Scholar

  • Maas, C. J. M. & Hox, J. J. (2004). Robustness issues in multilevel regression analysis. Statistica Neerlandica, 58 (2), 127 – 137. https://doi.org/10.1046/j.0039-0402.2003.00252.x First citation in articleCrossrefGoogle Scholar

  • Medienpädagogischer Forschungsverbund Südwest. (2020). JIM 2020. Jugend, Information, Medien. Basisuntersuchung zum Medienumgang 12- bis 19-Jähriger. Verfügbar unter: https://www.mpfs.de/fileadmin/files/Studien/JIM/2020/JIM-Studie-2020_Web_final.pdf First citation in articleGoogle Scholar

  • Meerkerk, G. J., van den Eijnden, R. J. J. M., Vermulst, A. A. & Garretsen, H. F. L. (2009). The Compulsive Internet Use Scale (CIUS): Some psychometric properties. Cyberpsychology & Behavior: The Impact of the Internet, Multimedia and Virtual Reality on Behavior and Society, 12 (1), 1 – 6. https://doi.org/10.1089/cpb.2008.0181 First citation in articleCrossrefGoogle Scholar

  • Müller, K. W., Glaesmer, H., Brähler, E., Wölfling, K. & Beutel, M. E. (2013). Prevalence of internet addiction in the general population: results from a German population-based survey. Behaviour & Information Technology, 33, 757 – 766. https://doi.org/10.1080/0144929X.2013.810778 First citation in articleCrossrefGoogle Scholar

  • Müller, K. W., Wölfling, K., Beutel, M. E., Stark, B., Quiring, O., Aufenanger, S. et al. (2018). Insights into aspects behind internet-related disorders in adolescents: The interplay of personality and symptoms of adjustment disorders. The Journal of Adolescent Health: Official Publication of the Society for Adolescent Medicine, 62, 234 – 240. https://doi.org/10.1016/j.jadohealth.2017.09.011 First citation in articleCrossrefGoogle Scholar

  • Muthen, B. O. & Satorra, A. (1995). Complex Sample Data in Structural Equation Modeling. Sociological Methodology, 25, 267. https://doi.org/10.2307/271070 First citation in articleGoogle Scholar

  • Peugh, J. L. (2010). A practical guide to multilevel modeling. Journal of School Psychology, 48 (1), 85 – 112. https://doi.org/10.1016/j.jsp.2009.09.002 First citation in articleCrossrefGoogle Scholar

  • Ravens-Sieberer, U., Herdman, M., Devine, J., Otto, C., Bullinger, M., Rose, M. et al. (2014). The European KIDSCREEN approach to measure quality of life and well-being in children: development, current application, and future advances. Quality of Life Research: An International Journal of Quality of Life Aspects of Treatment, Care and Rehabilitation, 23, 791 – 803. https://doi.org/10.1007/s11136-013-0428-3 First citation in articleCrossrefGoogle Scholar

  • Rumpf, H.–J., Batra, A., Bischof, A., Hoch, E., Lindenberg, K., Mann, K. et al. (2021). Vereinheitlichung der Bezeichnungen für Verhaltenssüchte. Sucht, 67, 181 – 185. https://doi.org/10.1024/0939-5911/a000720 First citation in articleLinkGoogle Scholar

  • Rumpf, H.–J., Batra, A., Bleckmann, P., Brand, M., Gohlke, A., Feindel, H. et al. (2017). Empfehlungen der Expertengruppe zur Prävention von Internetbezogenen Störungen. Sucht, 63, 217 – 225. https://doi.org/10.1024/0939-5911/a000492 First citation in articleLinkGoogle Scholar

  • Rumpf, H.–J., Brand, M., Wegmann, E., Montag, C., Müller, A., Müller, K. W. et al. (2020). Covid-19-Pandemie und Verhaltenssüchte. Sucht, 66, 212 – 216. https://doi.org/10.1024/0939-5911/a000672 First citation in articleLinkGoogle Scholar

  • Rumpf, H.–J., Vermulst, A. A., Bischof, A., Kastirke, N., Gürtler, D., Bischof, G. et al. (2014). Occurence of internet addiction in a general population sample: a latent class analysis. European Addiction Research, 20, 159 – 166. https://doi.org/10.1159/000354321 First citation in articleCrossrefGoogle Scholar

  • Szász-Janocha, C., Kindt, S., Halasy, K. & Lindenberg, K. (2019). Prävention und Frühintervention bei Internetbezogenen Störungen – (inter–)nationaler Stand der Forschung. Suchtmedizin, 21, 259 – 271. First citation in articleGoogle Scholar

  • Thomasius, R. (2021). Statement von Prof. Dr. Rainer Thomasius, Ärztlicher Leiter des Deutschen Zentrums für Suchtfragen des Kindes und Jugendalters am UKE, im Rahmen des virtuellen Pressegesprächs „Mediensucht während der Corona-Pandemie“, am 4. November 2021. Verfügbar unter: https://www.dak.de/dak/bundesthemen/mediensucht-steigt-in-corona-pandemie-stark-an-2508248.html#/ First citation in articleGoogle Scholar

  • Wartberg, L., Kriston, L., Kammerl, R., Petersen, K.–U. & Thomasius, R. (2015). Prevalence of pathological internet use in a representative German sample of adolescents: results of a latent profile analysis. Psychopathology, 48 (1), 25 – 30. https://doi.org/10.1159/000365095 First citation in articleCrossrefGoogle Scholar

  • Wartberg, L., Petersen, K.–U., Kammerl, R., Rosenkranz, M. & Thomasius, R. (2014). Psychometric validation of a German version of the compulsive Internet use scale. Cyberpsychology, Behavior and Social Networking, 17 (2), 99 – 103. https://doi.org/10.1089/cyber.2012.0689 First citation in articleCrossrefGoogle Scholar

  • WHO. (2021). International statistical classification of diseases and related health problems (11th ed.). Verfügbar unter: https://icd.who.int/ First citation in articleGoogle Scholar