Basic Analysis of Calls from Suzhou Psychological Aid Hotline from 2010 to 2020
Notice bibliographique
Résumé
Objective: Through analyzing the data and content of incoming calls from Suzhou psychological aid hotline from 2010 to 2020, this paper summarizes the hotline service situation and its development trend year by year, and understands the specific situation of hotline work and the demands of hotline callers. Methods: 25356 calls from Suzhou psychological assistance hotline from January 2010 to November 2020 were selected as the research objects. According to the data type, time and basic demographic information, the data were classified. Quantitative statistics and data analysis were used to analyze and study the data by SPSS. Results: 1. The main types of calls were mental and psychological (33.6%), followed by love (13.19%) and marriage and family problems (11.05%). 2. More electricity came from women (12,694 times) than from men (12,662 times); 3. There is seasonal fluctuation in the incoming electricity from the hotline, which is higher in the first and fourth quarters and less in the second and third quarters. Conclusion: Psychological hotline problems mainly focus on mental psychology, love, marriage and family problems, Incoming electricity has gender and seasonal differences and fluctuations, especially gender roles have an impact on the psychological troubles of visitors. Operators need to have professional knowledge in the above aspects and properly use the gender framework to provide psychological counseling and analysis to callers.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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) | 0,008 | 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 ».