Examining the Relationship Between the Use of a Mobile Peer-Support App and Self-Injury Outcomes: Longitudinal Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: Many individuals who self-injure seek support and information through online communities and mobile peer-support apps. Although researchers have identified risks and benefits of participation, empirical work linking participation in these web-based spaces to self-injury behaviors and thoughts is limited. OBJECTIVE: This study aims to investigate the relationship between behavioral and linguistic traces on a mobile peer support app and self-injury outcomes. METHODS: Natural use data and web-based surveys (N=697) assessing self-injury outcomes were collected from 268 users (aged 13-38 years; median 19; 149/268, 55.6% female) of a mobile peer-support app for 4 months. Participants were identified as having posted self-injury content using an internal classifier. Natural log data was used to predict self-injury outcomes in a series of multilevel logistic and linear regressions. RESULTS: Greater engagement on a mobile peer-support app was associated with a decreased likelihood of self-injury thoughts (odds ratio [OR] 0.25, 95% CI 0.09-0.73) and fewer intentions to self-injure (b=-0.37, SE 0.09), whereas posting triggering content was associated with an increased likelihood of engaging in behaviors (OR 5.37, 95% CI 1.25-23.05) and having self-injury thoughts (OR 17.87, 95% CI 1.64-194.15). Moreover, viewing triggering content was related to both a greater ability to resist (b=1.39, SE 0.66) and a greater intention to self-injure (b=1.50, SE 0.06). CONCLUSIONS: To our knowledge, this is the first study to connect naturally occurring log data to survey data assessing self-injury outcomes over time. This work provides empirical support for the relationship between participation in online forums and self-injury outcomes, and it articulates mechanisms contributing to this relationship.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».