Use of Social Network Facebook for Mental Health Prevention and Counselling
Notice bibliographique
Résumé
Introduction Modern communication facilitates telepsychiatry in native language everywhere in the world. Using social networks (facebook), many pages promote mental health and provide advices for mental health problems. Unfortunately, many were inappropriate, so we decided to give confidential cost-free advice to those who asked for counselling. Aims Present one-year experience in counselling using facebook page administered by a psychiatrist in Serbian/Croatian/Bosnian language. Aims Present number of page likes, counselled people and most frequent problems. Methods Review page statistics and inbox. Results The facebook page provides mental health educational content, confidential counselling with a psychiatrist, sharing opinion with other members and group discussion. There are 10.573 members (88% women, 12 % men). Up to 50.000 people are reached weekly. Majority of the members is age 18 to 44 (77%), coming from: ex Yugoslavia countries 8008 (75,7%), EU 1912 (18,1%), Switzerland 1,1%, USA, Canada, Australia 1,2% . There were 95 persons looking for help via inbox. The most frequent problems were: depression 24,2%, marriage/relationship problems 24,2%, emotional reactions after flooding in Bosnia 13,7%, anxiety disorders13,6%, low self-confidence 6,3%, emotional or physical abuse 6,3%, suicidal 6,3%, psychosis 3,1%, OCD 2,1% and 25,2% asked how to help others. Tele-psychiatric service with GP commenced during the flooding. Supervision has been provided by a psychiatrist. There were 52 reviews with the rates: excellent 92,3%, very good 7,7. Conclusions Social networks are useful for mental health promotion, education and counselling people around the world. Problems are acute psychiatric conditions and legal issues (suicidal and abused persons).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».