Social media use, economic recession and income inequality in relation to trends in youth suicide in high-income countries: a time trends analysis
Notice bibliographique
Résumé
BACKGROUND: Suicide rates have risen in young people in several high-income countries over the last decade. Reasons for the increases are unclear. METHODS: We analysed trends in suicide rates in 15-24 year olds over the period 2000-2017 in high-income countries with populations >20 million using Joinpoint analysis. We investigated differences in the following population-level exposures between countries that are and are not experiencing suicide rates rises: 1) 2008 economic recession as indexed by changes in GDP; 2) Gini income inequality; 3) daily social media use. RESULTS: Four of the 11 countries studied are experiencing youth suicide rate rises: Australia, Canada, the UK, the USA. The year the increase began ranged from 2003 (95% confidence interval: 2002, 2007) in the UK to 2009 (95% CI: 2007, 2012) in Australia. There was little evidence of an association between social media use and youth suicide trends, and inconsistent evidence regarding the impact of the 2008 economic recession. Suicide rate rises were seen in countries with higher GDP per capita (Wilcoxon rank sum (WRS) z=-2.27; p=0.02) and income inequality (WRS z=-2.45; p=0.01) in 2008. LIMITATIONS: Suicide data were only available until 2016/2017. Social media and income inequality data were not available for all study years. The effect of other important factors were not investigated due to a lack of comparable data. CONCLUSIONS: Our analyses indicate that the most populous high-income countries experiencing a rise in youth suicide rates are predominantly English-speaking, with higher levels of income inequality and GDP. These findings provide preliminary evidence regarding possible contributory factors to guide further research.
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 | 0,002 | 0,002 |
| 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 ».