Introduction Associations between parental anxiety and adolescent internet addiction have been documented in the literature; however, few studies have analyzed the role of the family environment in this relationship. This study aims to explore the relationship between parental anxiety and adolescent internet addiction while also investigating the indirect relationships involving multiple dimensions of the family environment and child emotional behavior issues. Methods Surveys were conducted among 6,296 parent-child pairs. We administered SDQ, CIAS-R, and FES-CV to assess adolescents’ issues and internet addiction, and evaluate family environment. Additionally, parents completed GAD-7 to assess parental anxiety levels.Results: Correlation analysis revealed that the family environment and adolescent emotional behavior issues played an indirect relationship in the link between parental anxiety and internet addiction. Discussion The findings emphasize the importance of addressing parental anxiety and fostering a positive family environment as effective measures to alleviate adolescent emotional behavior problems and reduce the risk of internet addiction.

Utilizing computer-based scales for cognitive and psychological evaluations allows for the collection of objective data, such as response time. This cross-sectional study investigates the significance of response time data in cognitive and psychological measures, with a specific focus on its role in evaluating sleep quality through the Insomnia Severity Index (ISI) scale. A mobile application was designed to administer scale tests and collect response time data from 2,729 participants. We explored the relationship between symptom severity and response time. A machine learning model was developed to predict the presence of insomnia symptoms in participants using response time data. The result revealed a statistically significant difference (p<0.01) in the total response time between participants with or without insomnia symptom. Furthermore, a strong correlation was observed between the severity of specific insomnia aspects and the response times at the individual questions level. The machine learning model demonstrated a high predictive Area Under the ROC Curve (AUROC) of 0.824 in predicting insomnia symptoms based on response time data. These findings highlight the potential utility of response time data to evaluate cognitive and psychological measures.