The association between Twitter content and suicide
Notice bibliographique
Résumé
OBJECTIVE: A growing body of research has established that specific elements of suicide-related news reporting can be associated with increased or decreased subsequent suicide rates. This has not been systematically investigated for social media. The aim of this study was to identify associations between specific social media content and suicide deaths. METHODS: = 787) geolocated to Toronto, Canada and originating from the highest level influencers over a 1-year period (July 2015 to June 2016) were coded for general, putatively harmful and putatively protective content. Multivariable logistic regression was used to examine whether tweet characteristics were associated with increases or decreases in suicide deaths in Toronto in the 7 days after posting, compared with a 7-day control window. RESULTS: Elements independently associated with increased subsequent suicide counts were tweets about the suicide of a local newspaper reporter (OR = 5.27, 95% CI = [1.27, 21.99]), 'other' social causes of suicide (e.g. cultural, relational, legal problems; OR = 2.39, 95% CI = [1.17, 4.86]), advocacy efforts (OR = 2.34, 95% CI = [1.48, 3.70]) and suicide death (OR = 1.52, 95% CI = [1.07, 2.15]). Elements most strongly independently associated with decreased subsequent suicides were tweets about murder suicides (OR = 0.02, 95% CI = [0.002, 0.17]) and suicide in first responders (OR = 0.17, 95% CI = [0.05, 0.52]). CONCLUSIONS: These findings largely comport with the theory of suicide contagion and associations observed with traditional news media. They specifically suggest that tweets describing suicide deaths and/or sensationalized news stories may be harmful while those that present suicide as undesirable, tragic and/or preventable may be helpful. These results suggest that social media is both an important exposure and potential avenue for intervention.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».