Feeling lonely in the online crowd: what TikTok tells us about young people and loneliness
Notice bibliographique
Résumé
Loneliness is a pressing public health issue, with young people particularly affected. Given the widespread use of TikTok among younger demographics, the platform plays an influential role in shaping perceptions of health topics. This study examines the self-perceived causes and experiences of loneliness expressed by TikTok users. We built a dataset of the most popular, publicly available English-language TikTok videos globally that used the hashtag #lonely and performed a qualitative content analysis to assess (i) video tone, (ii) self-expressed identities related to loneliness, (iii) unmet desires expressed as the cause of loneliness, (iii) absences expressed as the cause of loneliness, and (v) changes in life circumstance as the cause of loneliness. The included videos (n = 184) generated over 687 million views. Absence (69.6%) was the prevailing theme of self-perceived causes of loneliness. This absence was mostly attributed to a lack of quality in a person's relationships (33.7%) or having no relationship (32.1%). Mental health (26.1%) was the most cited expression of identity related to the experience of loneliness. The overall sentiment of the videos was negative (83.2%). No videos were made by healthcare professionals or healthcare organizations offering health information or support. TikTok is an accessible, underutilized, and valuable data resource to understand the public portrayal and sentiment of pressing health topics in young people. Results reveal a prevalence of negatively toned videos, primarily expressing absence as a root cause of loneliness.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».