MétaCan
Menu
Retour à la cohorte
Enregistrement W4280532034 · doi:10.2196/38340

Deconstructing TikTok Videos on Mental Health: Cross-sectional, Descriptive Content Analysis

2022· article· en· W4280532034 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
venuePublié dans une revue dont le pays d'attache est le Canada.

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésSocial mediaMental healthContent analysisHarmSuicidal ideationDescriptive statisticsPsychologyContent (measure theory)Descriptive researchSample (material)Applied psychologySocial psychologySuicide preventionMedicinePoison controlPsychiatryComputer scienceSociologyMedical emergencyWorld Wide WebSocial science

Résumé

récupéré en direct d'OpenAlex

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.

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)0,008
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,193
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0090,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,484
Tête enseignante GPT0,572
Écart entre enseignants0,088 · 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