Tracking online searches for emotional wellbeing concerns and coping strategies in the UK during the COVID-19 pandemic: a Google Trends analysis
Notice bibliographique
Résumé
<ns4:p> <ns4:bold>Background:</ns4:bold> The coronavirus disease 2019 (COVID-19) pandemic is the largest acute public health emergency of this century. Government intervention to contain the virus focuses on non-pharmacological approaches such as physical distancing/lockdown (stay-at-home orders). As the situation develops, the impact of these measures on mental health and coping strategies in individuals and the population is unknown. </ns4:p> <ns4:p> <ns4:bold>Methods:</ns4:bold> We used Google Trends data (01 Jan 2020 to 09 Jun 2020) to explore the changing pattern of public concern in the UK to government measures as indexed by changes in search frequency for topics related to mental distress as well as coping and resilience. We explored the changes of specific topics in relation to key dates during the pandemic. In addition, we examined terms whose search frequency increased most. </ns4:p> <ns4:p> <ns4:bold>Results:</ns4:bold> Following lockdown, public concerns - as indexed by relative search trends - were directly related to COVID-19 and practicalities such as ‘furlough’ (paid leave scheme for people in employment) in response to the pandemic. Over time, searches with the most substantial growth were no longer directly or indirectly related to COVID-19. In contrast to relatively stable rates of searches related to mental distress, the topics that demonstrated a sustained increase were those associated with coping and resilience such as exercise and learning new skills. </ns4:p> <ns4:p> <ns4:bold>Conclusions:</ns4:bold> Google Trends is an expansive dataset which enables the investigation of population-level search activity as a proxy for public concerns. It has potential to enable policy makers to respond in real time to promote adaptive behaviours and deliver appropriate support. </ns4:p>
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».