Text Mining Mental Health Reports for Issues Impacting Today’s College Students: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: A growing number of college students are experiencing personal circumstances or encountering situations that feel overwhelming and negatively affect their academic studies and other aspects of life on campus. To meet this growing demand for counseling services, US colleges and universities are offering a growing variety of mental health services that provide support and services to students in distress. OBJECTIVE: In this study, we explore mental health issues impacting college students using a corpus of news articles, foundation reports, and media stories. Mental health concerns within this population have been on the rise. Uncovering the most salient themes articulated in current news and literature reports can better enable higher education institutions to provide health services to its students. METHODS: We used SAS Text Miner to analyze 165 references that were published from 2010 to 2015 and focused on mental health among college students. Key clusters were identified to reveal the themes that were most significant to the topic. RESULTS: The final cluster analysis yielded six themes in students' mental health experiences in higher education (ie, age, race, crime, student services, aftermath, victim). Two themes, increasing demand for student services provided by campus counseling centers (113/165, 68.5%) and the increased mental health risks faced by racial and ethnic minorities (30/165, 18.2%), dominated the discourse. CONCLUSIONS: Higher education institutions are actively engaged in extending mental health services and offering targeted outreach to students of color. Cluster analysis identified that institutions are devoting more and innovative resources in response to the growing number students who experience mental health concerns. However, there is a need to focus on proactive approaches to mitigate the causes of mental health and the aftermath of a negative experience, particularly violence and sexual assault. Such strategies can potentially influence how students navigate their health information seeking and how information and communication technologies, including mobile apps, can partially address the needs of college students.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».