#MyDepressionLooksLike: Examining Public Discourse About Depression on Twitter
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Social media provides a context for billions of users to connect, express sentiments, and provide in-the-moment status updates. Because Twitter users tend to tweet emotional updates from daily life, the platform provides unique insights into experiences of mental health problems. Depression is not only one of the most prevalent health conditions but also carries a social stigma. Yet, opening up about one's depression and seeking social support may provide relief from symptoms. OBJECTIVE: The aim of this study was to examine the public discourse of the trending hashtag #MyDepressionLooksLike to look more closely at how users talk about their depressive symptoms on Twitter. METHODS: We captured 3225 original content tweets for the hashtag #MyDepressionLooksLike that circulated in May of 2016. Eliminating public service announcements, spam, and tweets with links to pictures or videos resulted in a total of 1978 tweets. Using qualitative content analysis, we coded the tweets to detect themes. RESULTS: The content analysis revealed seven themes: dysfunctional thoughts, lifestyle challenges, social struggles, hiding behind a mask, apathy and sadness, suicidal thoughts and behaviors, and seeking relief. CONCLUSIONS: The themes revealed important information about the content of the public messages that people share about depression on Twitter. More research is needed to understand the effects of the hashtag on increasing social support for users and reducing social stigma related to depression.
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.
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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découle