Messaging and Information in Mental Health Communication on Social Media: Computational and Quantitative Analysis
Notice bibliographique
Résumé
Background: Mental health organizations have the vital and difficult task of shaping public discourse and providing important information. Social media platforms such as X (formerly known as Twitter) serve as such communication channels, and analyzing organizational health information offers valuable insights into their guidance and linguistic patterns, which can enhance communication strategies for health campaigns and interventions. The findings inform strategies to enhance public engagement, trust, and the effectiveness of mental health messaging. Objective: This study examines the predominant themes and linguistic characteristics of messages from mental health organizations, focusing on how these messages' structure information, engage audiences, and contribute to public information and discourse on mental health. Methods: A computational content analysis was conducted to identify thematic clusters within messages from 17 unique mental health organizations, totaling 326,967 tweets and approximately 7.2 million words. In addition, Linguistic Inquiry and Word Count (LIWC) was used to analyze affective, social, and cognitive processes in messages with positive versus negative sentiment. Differences in sentiment were assessed using a Mann-Whitney U test. Results: The analysis revealed that organizations predominantly emphasize themes related to community, well-being, and workplace mental health. Sentiment analysis indicated significant differences in affect (P<.001), social processes (P<.001), and cognitive processing (P<.001) between positive and negative messages, with effect sizes that were small to medium. Notably, while messages frequently conveyed positive sentiment and social engagement, there was a lower emphasis on cognitive processing, suggesting that more complex discussions about mental health challenges may be underrepresented. Conclusions: Organizations use social media to promote engagement and support, often through positively valanced messages. Yet the limited emphasis on cognitive processing may indicate a gap in how organizations address more nuanced or complex mental health issues. Findings demonstrate the need for communication strategies that balance information with depth and clarity, ensuring that messages are trustworthy, actionable, and responsive to multiple mental health needs. By refining digital messaging strategies, organizations can enhance the effectiveness of health communication and improve engagement with mental health resources.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».