Reaching Those At Risk for Psychiatric Disorders and Suicidal Ideation: Facebook Advertisements to Recruit Military Veterans
Notice bibliographique
Résumé
BACKGROUND: Younger military veterans are at high risk for psychiatric disorders and suicide. Reaching and engaging veterans in mental health care and research is challenging. Social media platforms may be an effective channel to connect with veterans. OBJECTIVE: This study tested the effectiveness of Facebook advertisements in reaching and recruiting Iraq and Afghanistan-era military veterans in a research study focused on mental health. METHODS: Facebook ads requesting participation in an online health survey ran for six weeks in 2017. Ads varied imagery and headlines. Validated instruments were used to screen for psychiatric disorders and suicidality. Outcomes included impressions, click-through rate, survey completion, and cost per survey completed. RESULTS: Advertisements produced 827,918 impressions, 9,527 clicks, and 587 survey completions. Lack of enrollment in Veterans Affairs health care (193/587, 33%) and positive screens for current mental health problems were common, including posttraumatic stress disorder (266/585, 45%), problematic drinking (243/584, 42%), major depression (164/586, 28%), and suicidality (132/585, 23%). Approximately half of the survey participants (285/587, 49%) were recruited with just 2 of the 15 ads, which showed soldiers marching tied to an "incentive" or "sharing" headline. These 2 ads were also the most cost-effective, at US $4.88 and US $5.90 per participant, respectively. Among veterans with current suicidal ideation, the survey-taking image resulted in higher survey completion than the soldiers marching image (P=.007). CONCLUSIONS: Facebook advertisements are effective in rapidly and inexpensively reaching military veterans, including those at risk for mental health problems and suicidality, and those not receiving Veterans Affairs health care. Advertisement image and headlines may help optimize the effectiveness of advertisements for specific subgroups.
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 | 0,003 | 0,009 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».