#selfharn on Instagram: understanding online communities surrounding non-suicidal self-injury through conversations and common properties among authors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objectives #selfharm has been blocked by Instagram, but manoeuvring hashtags (e.g. #selfharn) are beginning to appear in order for secret non-suicidal self-injury (NSSI) communities to communicate. The purpose of this study was to (a) determine the nature of the #selfharn conversation on Instagram, (b) analyze common properties of the visual content (i.e. images and videos; n = 93) tagged with #selfharn, and (c) discover what kind of environment the authors ( n = 50) of #selfharn were creating. Methods A multi-method approach was utilized for this study. Netlytic was used to generate a text and content analysis to examine the authors’ captions and comments ( n = 8772) associated with #selfharn (collected over a seven-day period). Results After removing #selfharn from the dataset, the text analysis revealed that #depression ( n = 3081) and #suicide ( n = 2270) were the most commonly used terms associated with #selfharn. Overall, 52% ( n = 4386) of the popular words/phrases related with #selfharn posts were categorized as ‘bad feelings’. Through manual coding, it was determined that the majority of #selfharn visual content ( n = 92; 99%) did not generate an advisory warning but did contain a wound ( n = 70; 75%). The #selfharn author analysis suggests that most were women ( n = 18; 36%) with a dark-coloured profile aesthetic ( n = 37; 74%) determined by an overwhelming amount of grey, black, blue, red, or purple colours. Conclusion According to the text and content analyses, #selfharn on Instagram may be contributing negatively to an online community of mental-health issues. More resources should be provided by Instagram to those who are involved in the NSSI Instagram community.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle