Corrélation entre les recherches Internet liées au suicide sur Google Trends et les hospitalisations en raison de blessures auto-infligées ainsi que la mortalité par suicide au Canada
Notice bibliographique
Résumé
Résumé Dans cette étude de type écologique, nous avons analysé les associations entre les tendances dans les recherches Internet de Google Trends liées au suicide et les hospitalisations en raison de blessures auto-infligées ainsi que la mortalité par suicide au Canada du 31 décembre 2017 au 31 mars 2022. Les données relatives aux hospitalisations et à la mortalité proviennent de la Base de données sur les congés des patients et de la Base canadienne de données de l’état civil – Décès. Les corrélations croisées ont permis de repérer des avances temporelles, ajustées par des régressions binomiales négatives. Les tendances dans Google Trends des recherches liées au terme de recherche « comment se tuer » ont montré des corrélations positives faibles avec les hospitalisations en raison de blessures auto-infligées. Les tendances dans Google Trends des recherches liées aux termes de recherche « commettre un suicide », « comment se suicider » et « comment se tuer » ont montré des corrélations positives faibles avec la mortalité par suicide. Il est essentiel de mener des recherches supplémentaires pour déterminer l’utilité de Google Trends dans la surveillance des blessures auto-infligées et du suicide.
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 | 0,004 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».