Twitter-MusicPD: melody of minds - navigating user-level data on multiple mental health disorders and music preferences
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
Social media platforms have become integral spaces for individuals to express emotions, seek advice, and disclose mental health conditions. While existing research primarily focuses on analyzing textual content for predicting mental disorders, music listening, as a fundamental aspect of human experience, has gained attention for its potential to influence psychological well-being. This paper introduces the Twitter-Music-Psychological Disorder (Twitter-MusicPD) dataset, which includes data from 5767 music-listening Twitter users, covering both individuals with six self-reported psychological disorders and non-disordered users, along with a matched control group of 38,086 non-music-listening Twitter users across six disordered and non-disordered groups. The dataset spans from August 2007 to May 2022, comprising 8,976,628 English tweets reported as embeddings and the content of 78,413 music tracks shared by users. Detailed information on music tracks, including sources, titles, artists and associated lyrics, is provided, along with sentiments and emotions related to the music. Twitter-MusicPD serves as a comprehensive resource for investigating the relationships between Twitter engagement, music choices, and psychological well-being, offering insights into how tweeting behaviors and music preferences evolve over time. Our data is available at: https://github.com/szamani20/Twitter-MusicPD_Melody-of-Minds .
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| 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