Search engine ads for suicide prevention: analysis of engagement from Indonesia relative to Australia, the USA, and the medical industry standards
Notice bibliographique
Résumé
Background: Suicide is a global public health issue, with over 75% of deaths occurring in low- and middle-income countries (LMICs), where access to mental health services is often limited. In Indonesia, where stigma is high and professional support scarce, there is a critical need for scalable, non-traditional approaches to reach individuals at risk. One such approach is using online search engine advertisements to engage individuals searching for suicide-related content and encourage help-seeking. Methods: This study analysed data from an online Google Ads campaign conducted in Indonesia in March 2023, targeting individuals searching for suicide-related keywords. The campaign was co-designed with local experts and people with lived experience. We compared its engagement and cost-effectiveness to similar campaigns previously conducted in the USA and Australia. The primary outcome was total engagement rate (engagements/impressions), and the secondary outcome was effective cost per engagement (adjusted for purchasing power and inflation). Findings: The Indonesian campaign achieved an engagement rate of 11.04%, which was 18 times higher than the US campaign (0.61%) and 15 times higher than the Australian campaign (0.72%). It also had an effective cost per engagement five times lower than those in the USA and Australia. All campaigns outperformed industry standards for health and medical advertising. Interpretation: Search engine advertising is a rapid, cost-effective, and scalable tool to connect individuals in Indonesia with suicide prevention support. These findings underscore the importance of context-specific research in LMICs, where interventions may have greater impact than predicted from high-income country data. Funding: The study was funded by the Australian Department of Foreign Affairs and Trade, Australian-Indonesian Institute (AII2020322), an NHMRC Investigator Grant (GNT2034904), Suicide Prevention Australia Innovation Grant, and the Lynch Family Foundation Research Fellowship in Global Health Equity.
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 | 0,012 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».