Monitoring Online Discussions About Suicide Among Twitter Users With Schizophrenia: Exploratory Study
Notice bibliographique
Résumé
BACKGROUND: People with schizophrenia experience elevated risk of suicide. Mental health symptoms, including depression and anxiety, contribute to increased risk of suicide. Digital technology could support efforts to detect suicide risk and inform suicide prevention efforts. OBJECTIVE: This exploratory study examined the feasibility of monitoring online discussions about suicide among Twitter users who self-identify as having schizophrenia. METHODS: Posts containing the terms suicide or suicidal were collected from a sample of Twitter users who self-identify as having schizophrenia (N=203) and a random sample of control users (N=173) over a 200-day period. Frequency and timing of posts about suicide were compared between groups. The associations between posting about suicide and common mental health symptoms were examined. RESULTS: =-4.13, P<.001). Twitter users who self-identify as having schizophrenia showed greater odds of tweeting about suicide compared to control users (odds ratio 2.15, 95% CI 1.42-3.28). Among all users, tweets about suicide were associated with tweets about depression (r=0.62, P<.001) and anxiety (r=0.45, P<.001). CONCLUSIONS: Twitter users who self-identify as having schizophrenia appear to commonly discuss suicide on social media, which is associated with greater discussion about other mental health symptoms. These findings should be interpreted cautiously, as it is not possible to determine whether online discussions about suicide correlate with suicide risk. However, these patterns of online discussion may be indicative of elevated risk of suicide observed in this patient group. There may be opportunities to leverage social media for supporting suicide prevention among individuals with schizophrenia.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».