Understanding Discussions of Sexual Assault in Young Women on a Peer Support Mental Health App: A Content Analysis
Notice bibliographique
Résumé
Trauma narratives may have been influenced by the Me Too movement, with thousands of individuals disclosing sexual violence stories online. Youth, the largest demographic of online users, may prefer the anonymity of the Internet to discuss experiences of sexual assault. Understanding the ways that young women, especially those experiencing mental health difficulties, discuss their experiences is important as they are at higher risk of revictimization and continued poor mental health. We searched for terms related to acts of sexual assault on a mental health peer-support app, TalkLife, and compared the number of posts during the initial wave of the Me Too movement (October 2017–March 2018) to the same time period in the previous year (October 2016–March 2017). We found a significant increase in posts related to sexual assault of 49.7% between the Pre and Post Me Too time periods ( p < .001), controlling for a general increase in posts. A content analysis of 700 randomly selected posts found that a substantial number of young women used TalkLife to discuss their experiences of sexual assault, and these self-disclosures were mostly hopeless or depressing in tone. Additionally, neither the nature nor the number of self-disclosures varied across time points. The negative tone of the self-disclosures in the current study is worrying because the way women talk about their trauma can shape how they understand it, which could lead to negative self-appraisal and continued mental health difficulties. Online spaces have the potential to support young women and facilitate help-seeking, but we must be attentive to how they are used.
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 | 0,003 | 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 | 0,001 | 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) | 0,001 | 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 ».