A double-edged hashtag: Evaluation of #ADHD-related TikTok content and its associations with perceptions of ADHD
Notice bibliographique
Résumé
We aimed to assess the psychoeducational quality of TikTok content about attention-deficit/hyperactivity disorder (ADHD) from the perspective of both mental health professionals and young adults across two pre-registered studies. In Study 1, two clinical psychologists with expertise in ADHD evaluated the claims (accuracy, nuance, overall quality as psychoeducation material) made in the top 100 #ADHD TikTok videos. Despite the videos' immense popularity (collectively amassing nearly half a billion views), fewer than 50% of the claims about ADHD symptoms were judged to align with the Diagnostic and Statistical Manual of Mental Disorders. In Study 2, 843 undergraduate students (no ADHD = 224, ADHD self-diagnosis = 421, ADHD formal diagnosis = 198) were asked about their typical frequency of viewing #ADHD content on TikTok and their perceptions of ADHD and were shown the top 5 and bottom 5 psychologist-rated videos from Study 1. A greater typical frequency of watching ADHD-related TikToks was linked to a greater willingness to recommend both the top and bottom-rated videos from Study 1, after controlling for demographics and ADHD diagnostic status. It was also linked to estimating a higher prevalence of ADHD in the general population and greater challenges faced by those with ADHD. Our findings highlight a discrepancy between mental health professionals and young adults regarding the psychoeducational value of #ADHD content on TikTok. Addressing this is crucial to improving access to treatment and enhancing support for those with ADHD.
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 | 0,000 | 0,001 |
| 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 ».