Meeting the Unmet Needs of Individuals With Mental Disorders: Scoping Review on Peer-to-Peer Web-Based Interactions
Notice bibliographique
Résumé
BACKGROUND: An increasing number of online support groups are providing advice and information on topics related to mental health. OBJECTIVE: This study aimed to investigate the needs that internet users meet through peer-to-peer interactions. METHODS: A search of 4 databases was performed until August 15, 2022. Qualitative or mixed methods (ie, qualitative and quantitative) studies investigating interactions among internet users with mental disorders were included. The φ coefficient was used and machine learning techniques were applied to investigate the associations between the type of mental disorders and web-based interactions linked to seeking help or support. RESULTS: Of the 13,098 identified records, 44 studies (analyzed in 54 study-disorder pairs) that assessed 82,091 users and 293,103 posts were included. The most frequent interactions were noted for people with eating disorders (14/54, 26%), depression (12/54, 22%), and psychoactive substance use disorders (9/54, 17%). We grouped interactions between users into 42 codes, with the empathy or compassion code being the most common (41/54, 76%). The most frequently coexisting codes were request for information and network (35 times; φ=0.5; P<.001). The algorithms that provided the best accuracy in classifying disorders by interactions were decision trees (44/54, 81%) and logistic regression (40/54, 74%). The included studies were of moderate quality. CONCLUSIONS: People with mental disorders mostly use the internet to seek support, find answers to their questions, and chat. The results of this analysis should be interpreted as a proof of concept. More data on web-based interactions among these people might help apply machine learning methods to develop a tool that might facilitate screening or even support mental health assessment.
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 | 0,028 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,027 | 0,019 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».