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
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.039 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.006 | 0.013 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".