Substance Use Among Young Mothers: An Analysis of Facebook Posts
Notice bibliographique
Résumé
BACKGROUND: Substance use among young pregnant women is a common and significant public health concern associated with a number of adverse outcomes for both mothers and infants. Social media posts by young women can provide valuable, real-world insight into their perceptions of substance use immediately before and during pregnancy. OBJECTIVE: The aim of this study was to characterize the frequency and content of posts regarding substance use in the year before pregnancy and during pregnancy among young mothers. METHODS: Facebook posts were mined from young pregnant women (age, 16-24 years) who consented from 2 Midwest primary care clinics that serve a predominantly low-income community. Natural language processing was used to identify posts related to substance use by keyword searching (eg, drunk, drugs, pot, and meth). Using mixed-methods techniques, 2 investigators iteratively coded and identified major themes around substance use from these mined Facebook posts. Outcome measures include the frequency of posts and major themes expressed regarding substance use before and during pregnancy. RESULTS: Women in our sample (N=43) had a mean age of 21 (SD 2.3) years, and the largest subgroup (21/43, 49%) identified as non-Hispanic black; 26% (11/43) identified as non-Hispanic white; 16% (7/43) as Hispanic; and 9% (4/43) as non-Hispanic mixed race, Native American, or other. The largest subgroup (20/43, 47%) graduated high school without further education, while 30% (13/43) completed only some high school and 23% (10/43) completed at least some postsecondary education. Young women discussed substance use on social media before and during pregnancy, although compared with the year before pregnancy, the average frequency of substance-related posts during pregnancy decreased. Themes identified included craving alcohol or marijuana, social use of alcohol or marijuana, reasons for abstaining from substance use, and intoxication. CONCLUSIONS: Facebook posts reveal that young pregnant women discuss the use of substances, predominantly alcohol and marijuana. Future work can explore clinical opportunities to prevent and treat substance use before and during pregnancy among young, at-risk mothers.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».