MétaCan
Menu
Retour à la cohorte
Enregistrement W4406498399 · doi:10.1177/20552076241297062

Do you have depression? A summative content analysis of mental health-related content on TikTok

2025· article· en· W4406498399 sur OpenAlexafffund
Roxanne Turuba, Marco Zenone, Raman Srivastava, Jonathan N. Stea, Yuri Quintana, Nikki Ow, Kirsten Marchand, Amanda Kwan, Anna-Joy Ong, Xiaoxu Ding, C. James Warren, Alessandro R Marcon, Joanna Henderson, Steve Mathias, Skye Barbic

Notice bibliographique

RevueDigital Health · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensCentre for Addiction and Mental HealthCentre for Advancing Health OutcomesUniversity of CalgaryUniversity of AlbertaUniversity of British ColumbiaProvidence Health Care
Organismes subventionnairesCanadian Institutes of Health ResearchMichael Smith Health Research BC
Mots-clésSummative assessmentContent (measure theory)Depression (economics)Content analysisMental healthPsychologyMedicinePsychiatrySociologyPedagogyFormative assessmentMathematicsSocial scienceEconomics

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,041
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0060,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,161
Tête enseignante GPT0,438
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDigital HealthMême sujetSocial Media in Health EducationTravaux en français237 207