Seasonality Patterns of Internet Searches on Mental Health: Exploratory Infodemiology Study
Notice bibliographique
Résumé
BACKGROUND: The study of seasonal patterns of public interest in psychiatric disorders has important theoretical and practical implications for service planning and delivery. The recent explosion of internet searches suggests that mining search databases yields unique information on public interest in mental health disorders, which is a significantly more affordable approach than population health studies. OBJECTIVE: This study aimed to investigate seasonal patterns of internet mental health queries in Ontario, Canada. METHODS: Weekly data on health queries in Ontario from Google Trends were downloaded for a 5-year period (2012-2017) for the terms "schizophrenia," "autism," "bipolar," "depression," "anxiety," "OCD" (obsessive-compulsive disorder), and "suicide." Control terms were overall search results for the terms "health" and "how." Time-series analyses using a continuous wavelet transform were performed to isolate seasonal components in the search volume for each term. RESULTS: All mental health queries showed significant seasonal patterns with peak periodicity occurring over the winter months and troughs occurring during summer, except for "suicide." The comparison term "health" also exhibited seasonal periodicity, while the term "how" did not, indicating that general information seeking may not follow a seasonal trend in the way that mental health information seeking does. CONCLUSIONS: Seasonal patterns of internet search volume in a wide range of mental health terms were observed, with the exception of "suicide." Our study demonstrates that monitoring internet search trends is an affordable, instantaneous, and naturalistic method to sample public interest in large populations and inform health policy planners.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».