Self-diagnosis in the age of social media: A pilot study of youth entering mental health treatment for mood and anxiety disorders
Notice bibliographique
Résumé
AIM: To understand young adult patients' perspectives around the importance of mental health diagnoses and use of online material to self-diagnose. METHODS: Prior to first appointment with a clinician, 57 patients at First Episode Mood and Anxiety Program answered questions about viewing mental health content online. They were asked their opinions regarding the importance of a diagnosis and if they believed they had a diagnosis not previously given by a clinician. Participants also completed the Social Media Engagement Scale for Adolescents (SMES-A). RESULTS: All participants reported viewing mental health content online, and social media sites were more commonly viewed than academically-oriented sites. Value placed on diagnosis was correlated with frequency of viewing mental health content online. Most patients reported believing they had diagnoses that were not previously given by a clinician (i.e., a self-diagnosis). Of these, most indicated social media contributed to this belief. Self-diagnosis was correlated with frequency of viewing mental health content on YouTube as well as score on the SMES-A. CONCLUSIONS: Young adults seeking mental healthcare indicated that information gleaned from social media was often used to self-diagnose. A diagnosis was found to be important for youth seeking mental health treatment and social media use appeared to be an associated factor. This research highlights attitudes about social media and diagnosis in youth entering mental health treatment.
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 | 0,000 |
| 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 ».