Social networking sites are widely used by university students. This study investigated the purposes for which social networking sites are used and their effects on learning, social interaction, and sleep duration.A cross-sectional study was conducted among 300, 17-29-year-old female students at Prince Sattam bin Abdul Aziz University. A questionnaire was used to collect data. Chi-squared (Fisher's exact test) test was used to analyze the data.The results showed that 97% of the students used social media applications. Only 1% of them used social media for academic purposes. Whereas 35% of them used these platforms to chat with others, 43% of them browsed these sites to pass time. Moreover, 57% of them were addicted to social media. Additionally, 52% of them reported that social media use had affected their learning activities, 66% of them felt more drawn toward social media than toward academic activities, and 74% of them spent their free time on social media platforms. The most popular applications (i.e., based on usage) were Snapchat (45%), Instagram (22%), Twitter (18%), and WhatsApp (7%). Further, 46% and 39% of them reported going to bed between 11 pm and 12 am and between 1 am and 2 am, respectively. Finally, 68% of them attributed their delayed bedtime to social media use, and 59% of them reported that social media had affected their social interactions.A majority of the participants reported prolonged use of social networking sites for nonacademic purposes. These habitual behaviors can distract students from their academic work, adversely affect their academic performance, social interactions, and sleep duration, and lead to a sedentary lifestyle and physical inactivity, which in turn can render them vulnerable to non-communicable diseases and mental health problems.

Clinical methods for dementia detection are expensive and prone to human errors. Despite various computer-aided methods using electroencephalography (EEG) signals and artificial intelligence, a consistent separation of Alzheimer's disease (AD) and normal-control (NC) subjects remains elusive. This paper proposes a low-complexity EEG-based AD detection CNN called LEADNet to generate disease-specific features. LEADNet employs spatiotemporal EEG signals as input, two convolution layers for feature generation, a max-pooling layer for asymmetric spatiotemporal redundancy reduction, two fully-connected layers for nonlinear feature transformation and selection, and a softmax layer for disease probability prediction. Different quantitative measures are calculated using an open-source AD dataset to compare LEADNet and four pre-trained CNN models. The results show that the lightweight architecture of LEADNet has at least a 150-fold reduction in network parameters and the highest testing accuracy of 98.75% compared to pre-trained models. The investigation of individual layers of LEADNet showed successive improvements in feature transformation and selection for separating AD and NC subjects. A comparison with the state-of-the-art AD detection models showed that the highest accuracy, sensitivity, and specificity were achieved by the LEADNet model.

Many real-world expensive industrial and engineering multi-objective optimization problems (MOPs) are driven by historical, experimental, or simulation data. In such scenarios, due to the expensive cost and time required, we are only left with a small amount of labeled data to perform the optimization. These offline data-driven MOPs are usually solved by multi-objective evolutionary algorithms (MOEAs) with the help of surrogate models constructed from offline historical data. The key challenge in developing these data-driven MOEAs is that they have to replace multiple conflicting fitness functions by approximating these objective functions, which may produce cumulative approximation errors and misguide the search. In order to build a reliable surrogate model from a small amount of multi-output offline data and solve the DDMOPs, we have proposed an adaptive model selection method with a reliable individual-based model management-driven MOEA. The proposed algorithm dynamically selects between DNN and XGBoost by comparing their k-fold cross-validation MAE error, which can capture the true generalization ability of the surrogates on unseen data. Then, the selected surrogate is updated with a reliable individual selection strategy, where the individual who is closest, both in the decision and objective space, to the most preferred solution among labeled offline data is chosen. As a result, these two strategies guide the underlying MOEA to the Pareto optimal solutions. The empirical results of the ZDT and DTLZ benchmark test suite validate the use of the three state-of-the-art offline DDMOEAs, showing that our algorithm is able to achieve highly competitive results in terms of convergence and diversity for 2–3 objectives. Finally, our algorithm is applied to an offline data-driven multi-objective problem—transonic airfoil (RAE 2822) shape optimization—to validate its efficiency on real-world DDMOPs.