Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This content analysis examined 653 Twitter tweets from two threads in order to explore the ways in which emotional concerns are contextualized during the COVID-19 pandemic and sought to identify coping mechanisms mentioned in tweets following government-legislated lockdowns and social isolation measures. A purposive sampling method was employed to collect tweets possessing characteristics of interest to the present study. An open-coding procedure was utilized to examine any salient meanings or keywords, and the frequency of occurrence of contextualized emotional concerns and identified coping mechanisms was recorded. Results revealed 7 main ways within which emotional concerns were framed, including: COVID-19 Virus, School-Related, Groups/Individuals, Social Institutions, Financial/Work-Related, Mass Media, and Other. Results also revealed 10 themes in which coping mechanisms were identified: Hobbies/Interests, Social Media, Offering Resources, Substance Use, Connecting with Others, Eating, Raising Awareness/Promoting Compliance, Religion/Optimism, Humor/Sarcasm, and Other. Although previous literature has demonstrated that people exhibit psychological distress during a global health crisis, this study adds to the growing body of literature on COVID-19 and outlines the contexts in which emotional concerns arise during a pandemic and how people are coping through these unprecedented times. These findings provide insight into how individuals are sharing concerns about their mental health with others via Twitter during the COVID-19 pandemic, and points to the need for psychological interventions specifically oriented towards global health crises in the midst of government mandated lockdown measures.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,005 | 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 découle