Deconstructing TikTok Videos on Mental Health: Cross-sectional, Descriptive Content Analysis
Notice bibliographique
Résumé
BACKGROUND: Social media platforms that are based on the creation of visual media, such as TikTok, are increasingly popular with adolescents. Online social media networks provide valuable opportunities to connect with each other to share experiences and strategies for health and wellness. OBJECTIVE: The aim of this study was to describe the content of the hashtag #mentalhealth on TikTok. METHODS: This cross-sectional, descriptive content analysis study included 100 videos with the hashtag #mentalhealth on TikTok. All videos that included the hashtag #mentalhealth were analyzed and coded for the presence of content categories. Additionally, the comments to each video were viewed and coded for content in the following themes: offering support or validation; mentioning experience with suicide or suicidal ideation; mentioning experience with self-harm; describing an experience with hospitalization for mental health issues; describing other mental health issues; and sharing coping strategies, experiences of healing, or ways to feel better. RESULTS: Collectively, the 100 videos studied received 1,354,100,000 views; 266,900,000 likes; and 2,515,954 comments. On average, each video received 13,406,930.69 (SD 8,728,095.52) views; 2,657,425.74 (SD 1,449,920.45) likes; and 24,910.44 (SD 21,035.06) comments. The only content category observed in most (51/100, 51%) of the videos included in the sample was "general mental health." The remaining content categories appeared in less than 50% of the sample. In total, 32% (32/100) of the videos sampled received more than the overall average number of likes (ie, more that 2.67 million likes). Among these 32 videos, 23 (72%) included comments offering support or validation and 20 (62%) included comments that described other mental health issues or struggles. CONCLUSIONS: With over 1 billion cumulative views, almost half of the assessed TikTok videos included in this study reported or expressed symptoms of mental distress. Future research should focus on the potential role of intervention by health care professionals on social media.
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 | 0,009 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».