Do you have depression? A summative content analysis of mental health-related content on TikTok
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
Background TikTok is a global social media platform with over 1 billion active users. Presently, there are few data on how TikTok users navigate the platform for mental health purposes and the content they view. Objective This study aims to understand the patterns of mental health-related content on TikTok and assesses the accuracy and quality of the advice and information provided. Methods We performed a summative content analysis on the top 1000 TikTok videos with the hashtag #mentalhealth between October 12 and 16, 2021. Six content themes were developed to code the data: (1) a personal story, perspective, or confessional, (2) advice and information, (3) emoting, (4) references to death, (5) references to science or research, and (6) a product or service for sale. Advice and information were further assessed by clinical experts. Results A total of 970 mental health-related videos were pulled for our analysis ( n = 30 removed due to non-English content). The most prevalent content themes included a personal story, perspective, or confessional ( n = 574), advice and information ( n = 319), emoting ( n = 198), references to death ( n = 128). Advice and information were considered misleading in 33.0% of videos ( n = 106), with misleading content performing better. Few videos included references to scientific evidence or research ( n = 37). Conclusion Healthcare practitioners and researchers may consider increasing their presence on the platform to promote the dissemination of evidence-based information to a wider and more youth-targeted population. Interventions to reduce the amount of misinformation on the platform and increase people's ability to discern between anecdotal and evidence-based information are also warranted.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 découle