Differences in Suicide-Related Twitter Content According to User Influence
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.
Notice bibliographique
Résumé
Abstract. Background: The content of suicide-specific social media posts may impact suicide rates, and putatively harmful and/or protective content may vary by the author’s influence. Aims: This study sought to characterize how suicide-related Twitter content differs according to user influence. Method: Suicide-related tweets from July 1, 2015, to June 1, 2016, geolocated to Toronto, Canada, were collected and randomly selected for coding (n = 2,250) across low, medium, or high user influence levels (based on the number of followers, tweets, retweets, and posting frequency). Logistic regression was used to identify differences by user influence for various content variables. Results: Low- and medium-influence users typically tweeted about personal experiences with suicide and associations with mental health and shared morbid humor/flippant tweets. High-influence users tended to tweet about suicide clusters, suicide in youth, older adults, indigenous people, suicide attempts, and specific methods. Tweets across influence levels predominantly focused on suicide deaths, and few described suicidal ideation or included helpful content. Limitations: Social media data were from a single location and epoch. Conclusion: This study demonstrated more problematic content vis-à-vis safe suicide messaging in tweets by high-influence users and a paucity of protective content across all users. These results highlight the need for further research and potential intervention.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,003 | 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 découle