What twitter can tell us about user experiences of crisis text lines: A qualitative study
Notice bibliographique
Résumé
Mental health problems are the leading cause of disability worldwide. Despite the prevalence and cost of mental illness, there are insufficient health services to meet this demand. Crisis hotlines have a number of advantages for addressing mental health challenges and reducing barriers to support. Mental health crisis services have recently expanded beyond telephone hotlines to include other communication modalities such as chat and text messaging services, largely in response to the increased use of mobile phones and text messaging for social communication. Despite the high uptake of crisis text line services (CTLs) and rising mental health problems worldwide, CTLs remain understudied. The current study aimed to address an urgent need to evaluate user experiences with text-based crisis services. This study explored user experiences of CTLs by accessing users' publicly available Twitter posts that describe personal use and experience with CTLs. Data were qualitatively analyzed using thematic analysis. Six main themes were identified from 776 tweets: (1) approval of CTLs, (2) helpful counselling, (3) invalidating or unhelpful counselling, (4) problems with how the service is delivered, (5) features of the service that facilitate accessibility, and (6) indication that the service suits multiple needs. Overall, results provide evidence for the value of text-based crisis support, as many users reported positive experiences of effective counselling that provided helpful coping skills, de-escalation, and reduction of harm. Results also identified areas for improvement, particularly ensuring more timely service delivery and effective communication of empathy. Text-based services may require targeted training to apply methods that effectively convey empathy in this medium. Moving forward, CTL services will require systematic attention in the clinical research literature to ensure their continued success and popularity among users.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».