Effects of Social Media Use for Health Information on COVID-19–Related Risk Perceptions and Mental Health During Pregnancy: Web-Based Survey
Notice bibliographique
Résumé
BACKGROUND: Social media has become an important source of health information during the COVID-19 pandemic. Very little is known about the potential mental impact of social media use on pregnant women. OBJECTIVE: This study aims to examine the association between using social media for health information and risk perception for COVID-19, worry due to COVID-19, and depression among pregnant women in China. METHODS: A total of 4580 pregnant women were recruited from various provinces of China. The participants completed a cross-sectional, web-based survey in March 2020. RESULTS: More than one-third (1794/4580, 39.2%) of the participants reported always using social media for obtaining health information. Results of structural equation modeling showed that the frequency of social media use for health information was positively associated with perceived susceptibility (β=.05; P<.001) and perceived severity (β=.12; P<.001) of COVID-19, which, in turn, were positively associated with worry due to COVID-19 (β=.19 and β=.72, respectively; P<.001). Perceived susceptibility (β=.09; P<.001), perceived severity (β=.08; P<.001), and worry due to COVID-19 (β=.15; P<.001) all had a positive association with depression. Bootstrapping analysis showed that the indirect effects of frequency of social media use for health information on both worry due to COVID-19 (β=.09, 95% CI 0.07-0.12) and depression (β=.05, 95% CI 0.02-0.07) were statistically significant. CONCLUSIONS: This study provides empirical evidence on how social media use for health information might have a negative impact on the mental health of pregnant women. Interventions are needed to equip this population with the skills to use social media properly and with caution.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».