Suicidality and mood: the impact of trends, seasons, day of the week, and time of day on explicit and implicit cognitions among an online community sample
Notice bibliographique
Résumé
Decades of research have established seasonality effects on completed and attempted suicides, with rates increasing in spring. Little advancements have been made to explain this phenomenon, with most studies focusing almost exclusively on the number of suicide attempts and deaths. Using more than six years of data collected among a US, UK, and Canadian online community sample (N > 10,000), we used newly developed Prophet forecasting and autoregressive-integrated moving average time-series models to examine the temporal dynamics of explicit and implicit self-harm cognitions. We created three groups (past suicide attempters; suicide ideation and/or non-suicidal self-injury; no previous self-harm, suicidal thoughts, or behaviors). We found a general increase of negative self-harm cognitions across the six years and seasonality effects for mood and desire to die, particularly among those who previously made a suicide attempt. Negative explicit self-harm cognitions peaked in winter (December), with implicit self-harm showing a lagged peak of two months (February). Moreover, daily negative self-harm cognitions consistently peaked around 4-5 am, with implicit cognitions again showing a lagged effect (1-hour). Limitations include the volunteer sample not being representative and the cross-sectional nature of the data being unable to separate between-subject and within-subject structural trends in the time series. Our findings show that negative explicit and implicit cognitions precede the rise in suicidal behaviors in spring. We proposed a conceptual model of seasonal suicide risk that may offer fertile ground for theoretical advancements, including implications for clinical risk assessment and public policies regarding the availability of health services.
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 | 0,001 | 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) | 0,000 | 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 ».