Mennyi képernyőidő fér bele? – Közösségi média és mentális egészség Python szemüvegen át

Egyetemi kutatási projekt & adatelemző szoftverismertető
Szerző: Balajti László (Miskolci Egyetem, Gazdasági adatelemző szak)
Eszköztár: Python, Pandas, Matplotlib, NumPy, OOP, CLI Menürendszer

📱 Miről szól a projekt?

Mindannyian érezzük, hogy a túlzott telefonozás és közösségimédia-pörgetés fáradtabbá, stresszesebbé tehet minket – de mit mutatnak a konkrét adatok?

Ebben az egyetemi projektben a Kaggle-ön elérhető Mental Health and Social Media Balance Dataset adatait dolgoztam fel egy saját fejlesztésű, objektumorientált (OOP) szemléletű Python alkalmazással . A szoftver nem csupán statikus ábrákat generál, hanem egy interaktív, kétnyelvű (magyar/angol) parancssori felületen (CLI) keresztül teszi lehetővé a szűrést, az adatsimítást (mozgóátlagolást) és a többdimenziós vizualizációt .

🔍 A legfontosabb megállapítások és tanulságok

1. A bűvös 2 órás határ:

   • A vizsgálat alapján a mentális jóléti mutatók (boldogságérzet, alvásminőség) napi kb. 2 óra képernyőidő körül érik el az optimális szintjüket .
   • Ezt a küszöböt meghaladva mind az alvásminőség, mind a boldogságindex meredek romlásnak indul .

2. Képernyőidő vs. Stressz:

   • A lineáris regressziós illesztés szignifikáns pozitív kapcsolatot igazolt: az órák számának emelkedésével arányosan nő a felhasználók által jelzett stressz-szint .

3. Nem és életkor – Vannak-e jelentős eltérések?

   • A dobozdiagramos (Boxplot) és sávos elemzések szerint a férfiak és nők átlagos napi képernyőideje nagyon hasonló (~5,7–5,9 óra/nap) .
   • A férfiaknál valamivel szélesebb szórás figyelhető meg, míg a nők szokásai kompaktabbak, de a nem önmagában nem tekinthető döntő faktornak az eltöltött idő mennyiségében .

💻 A szoftver felépítése

A projekt moduláris, tiszta kódolási elveket követve készült :

• ScreenTimeVisualizer osztály: Adattisztítás, extrém értékek szűrése, statisztikai elemzések (átlag, szórás, mozgóátlag) és összetett vizualizációk (Boxplot, Filled Area, Scatter plot trendvonallal) .
• MenuSystem osztály: Teljes körű felhasználói interakció, dinamikus szűrés és többnyelvű támogatás .
• Automatikus dokumentáció: A kód átfogó docstringeket tartalmaz, amelyekből a pdoc segítségével egy kattintással generálható a HTML alapú API-dokumentáció .

Minta képek

📥 Letöltések és forrásfájlok

A teljes IEEE formátumú dolgozat, a feldolgozó Python forráskód és az elkészült ábrák letölthetők az alábbi linken:

(A csomag tartalmazza a futtatható szkripteket, a mintaként használt adathalmazt, valamint a részletes PDF tanulmányt.)