Language about the future on social media as a novel marker of anxiety and depression: A big-data and experimental analysis
Notice bibliographique
Résumé
Anxiety and depression negatively impact many. Studies suggest depression is associated with future time horizons, or how “far” into the future people tend to think, and anxiety is associated with temporal discounting, or how much people devalue future rewards. Separate studies from linguistics and economics have shown that how people refer to future time predicts temporal discounting. Yet no one—that we know of—has investigated whether future time reference habits are a marker of anxiety and/or depression. We introduce the FTR classifier, a novel classification system researchers can use to analyse linguistic temporal reference. In Study 1, we used the FTR classifier to analyse data from the social-media website Reddit. Users who had previously posted popular contributions to forums about anxiety and depression referenced the future and past more often than controls, had more proximal future and past time horizons, and significantly differed in their linguistic future time reference patterns: They used fewer future tense constructions (e.g. will), fewer high-certainty constructions (certainly), more low-certainty constructions (could), more bouletic modal constructions (hope), and more deontic modal constructions (must). This motivated Study 2, a survey-based mediation analysis. Self-reported anxious participants represented future events as more temporally distal and therefore temporally discounted to a greater degree. The same was not true of depression. We conclude that methods which combine big-data with experimental paradigms can help identify novel markers of mental illness, which can aid in the development of new therapies and diagnostic criteria.
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 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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».