Navigating the Maze of Social Media Disinformation on Psychiatric Illness and Charting Paths to Reliable Information For Mental Health Professionals
Notice bibliographique
Résumé
This study aims to investigate the spread and impact of disinformation on mental health on social media, specifically TikTok, and to develop strategies for mental health professionals to access reliable information. Disinformation about health on social media, including untested remedies and conspiracy theories, undermines public trust and health, making the fight against false information critical, especially during health emergencies. The project will analyze 1000 publicly available TikTok videos related to mental health, using specific inclusion criteria, without requiring ethics board approval since the videos are in the public domain. The study will collect data on video-related elements, fake news elements, and clinical psychiatric elements, ensuring a comprehensive analysis. Descriptive statistical analysis and qualitative content analysis will be conducted to identify disinformation trends and themes from viewers' perspectives. The study anticipates no risks, as all data are publicly accessible, and aims to enhance the ability of viewers to critically assess psycho-educational videos on mental health. The results will be shared in academic settings and aim to provide recommendations for creating informed and supportive online communities around psychiatry. The research team, led by Dr. Alexandre Hudon, comprises psychiatry professionals from Université de Montréal, ensuring the project's feasibility and integrity.
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 | 0,027 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,012 |
| Communication savante | 0,019 | 0,014 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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 ».