MétaCan
Menu
Retour à la cohorte
Enregistrement W4240687223 · doi:10.2196/30900

Exploring Use Patterns and Racial and Ethnic Differences in Real Time Affective States During Social Media Use Among a Clinical Sample of Adolescents With Depression: Prospective Cohort Study

2022· article· en· W4240687223 sur OpenAlexvenueno aff
Cameron Nereim, David S. Bickham, Michael Rich

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueImpact of Technology on Adolescents
Établissements canadiensnon disponible
Organismes subventionnairesMaternal and Child Health BureauHealth Resources and Services AdministrationBoston Children's Hospital
Mots-clésEthnic groupAffect (linguistics)Mental healthDepression (economics)PsychologyMedicineDemographyClinical psychologyGerontologyPsychiatryPolitical science

Résumé

récupéré en direct d'OpenAlex

Background Increasing youth mental health problems over time correlate with increasing rates of social media use (SMU); however, a proposed contributory relationship remains unproven. To better understand how SMU impacts mental health requires a more nuanced understanding of the relationship between different patterns of SMU and specific individual factors. Studies suggest that more active forms of SMU may offer mental health benefits when compared with more passive forms. Furthermore, the literature suggests important differences in patterns of SMU and affective states among those identifying as racial and ethnic minorities. Objective Using ecological momentary assessment (EMA), this study aims to investigate potential differences in affective states during active and passive forms of SMU and whether such differences vary by race and ethnicity. Methods We recruited patients seeking care at a large urban adolescent medicine clinic who exhibited at least mild depressive symptoms based on Patient Health Questionnaire-9 (PHQ-9) scores. Participants completed an enrollment survey and a 7-day EMA protocol, receiving 5 EMA questionnaires per day, which assessed real time SMU behaviors and affective states using the Positive and Negative Affect Schedule–Expanded form subscales. To correct for nonindependent data with EMA responses clustered within individuals, data were analyzed using mixed-effects modeling, allowing for a random intercept at the individual level to examine associations between EMA-reported SMU and affective states while adjusting results for age, gender, race and ethnicity, PHQ-9 score, and EMA response rate. Results A racially and ethnically diverse group of 55 adolescents aged 14 to 19 years provided a total of 976 EMA responses, averaging 17.76 (SD 8.76) responses per participant, with a response rate of 51.15%. Participants reported higher mean levels of negative affect during active SMU (F1,215=3.86; SE 0.05; t1,215=1.96; P=.05) and lower mean levels of positive affect during passive SMU (F1,369=3.90; SE 0.09; t1,369=–1.98; P=.049). However, within different racial and ethnic groups, higher levels of negative affect during moments of active SMU were seen only among Black non-Hispanic participants: F1,81=6.31; SE 0.05; t81=2.51; P=.01). Similarly, lower levels of positive affect during passive SMU were seen only among White non-Hispanic participants (F1,295=10.52; SE 0.13; t295=–3.24; P=.001). Conclusions Although in aggregate, adolescents with depressive symptoms experienced more negative affect during active SMU and less positive affect during passive SMU, these mean outcomes were driven solely by greater negative affect during active SMU by Black non-Hispanic participants and lower positive affect during passive SMU by White non-Hispanic participants. Differences in intentionality, content, context, and expectations of SMU among youths across racial and ethnic groups may result in different affective outcomes. Exploration of the interactions among cultural differences in SMU strategies and characteristics will be critical to furthering our understanding of the impact of SMU on youth mental health.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Observationnellow
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Observationnellow
modèles en accordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,087
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,174
Tête enseignante GPT0,443
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetImpact of Technology on AdolescentsTravaux en français237 207