Exploring Public Reactions to Individuals’ Substance Misuse Recovery Journeys on TikTok
Notice bibliographique
Résumé
Background: Social media has become a space for sharing personal experiences and shaping public opinion. This study explored how people respond to substance misuse recovery journeys shared on TikTok. Methods: The researchers collected 3583 comments from 350 TikTok videos under the hashtags #wedorecover, #recovery, and #sobertok using a scraper tool. A discourse analysis categorized comments into Narrative Strategies, Rhetorical Strategies, Linguistic Features, and Power Relationships, each with subcategories revealing public perceptions of substance use and recovery. A correlation analysis was also conducted to examine the role of emojis across narrative and linguistic features. Results: Most comments (94%) expressed support or positivity toward recovery videos. The heart emoji was the most common (93.35% of all emojis), symbolizing connection, encouragement, and solidarity. Four themes emerged reflecting public attitudes: encouragement and positive messaging, acknowledgment of struggle, the culture of sharing, and the influence of broader social narratives. Conclusions: These results provide insight into public responses to recovery content on TikTok, suggesting that peer support may be facilitated through the platform’s algorithmic design. While TikTok shows promise as a supportive digital space, further research is needed to understand its broader implications for substance use recovery support.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».