社会人口统计学和跨诊断心理健康症状在社会(内化症状和语言的在线队列研究)I和II:横断面调查和底部计分析gydF4y2Ba

介绍gydF4y2Ba

背景gydF4y2Ba

所谓的精神障碍，包括抑郁、焦虑、药物使用和与疼痛有关的状况，在世界范围内归因于疾病的残疾中占相当大的比例[gydF4y2Ba1gydF4y2Ba]。根据精神病理学的层次模型[gydF4y2Ba2gydF4y2Ba]，这些临床问题大多可以分为以下几个维度gydF4y2Ba内化gydF4y2Ba维度，涉及情感障碍，还有gydF4y2Ba外部化gydF4y2Ba维度，涉及解除抑制或对抗。研究暗示了精神障碍症状的病因和维持的各种机制，包括持续的负面影响、积极影响的干扰、社会过程的中断、觉醒和调节过程的干扰、感觉运动问题和认知功能障碍[gydF4y2Ba3.gydF4y2Ba]。然而，要确定精神病理的可靠机制是极其困难的。虽然精神障碍很常见[gydF4y2Ba4gydF4y2Ba]，它们在表现特征上也高度不同[gydF4y2Ba2gydF4y2Ba]。此外，心理健康症状的纵向病程也是异质性的，一些个体病程短暂，而另一些个体病程高度慢性或复发-恢复[gydF4y2Ba5gydF4y2Ba]。gydF4y2Ba

社交媒体gydF4y2Ba

表征精神病理学的异质性需要大量的样本，因此，这已成为现代临床研究的主要内容，即STAR*D(缓解抑郁症的测序治疗方案)等临床试验[gydF4y2Ba6gydF4y2Ba]、流行病学研究[gydF4y2Ba7gydF4y2Ba]、神经影像学队列[gydF4y2Ba8gydF4y2Ba]，以及神经认知评估研究[gydF4y2Ba9gydF4y2Ba]。最近，对自然主义社交媒体样本的分析也促进了大样本的收集。社交媒体非常适合收集研究数据，因为它在现代生活中无处不在;72%的美国成年人至少使用一个社交媒体平台[gydF4y2Ba10gydF4y2Ba]。具体来说，美国23%的人口使用Twitter [gydF4y2Ba10gydF4y2Ba]。尽管Twitter的使用具有帕累托分布，其中少数人占Twitter活跃活动的大部分;大约四分之三的Twitter用户每周至少使用该平台一次(46%每天使用，27%至少每周使用)。作为一个社交媒体平台，Twitter致力于分享频繁、简短和内省的帖子，这些帖子适合在高时间分辨率下进行纵向、主题内的文本分析。gydF4y2Ba

我们之前曾使用Twitter来研究心理健康症状的脆弱性。例如，在一项研究中，我们报告说，那些在推特上透露自己被诊断患有抑郁症的人(例如，“几个月前我被诊断出患有抑郁症……”)与随机抽样的推特用户相比，他们的推特活动的昼夜节律模式不同[gydF4y2Ba11gydF4y2Ba]。具体来说，那些被诊断为抑郁症的人在晚上使用Twitter的频率更高，而在白天使用Twitter的频率更低，这可能表明抑郁症用户和随机样本之间的昼夜节律差异。在另一项研究中，我们测量了认知扭曲的词汇代理，如“应该”、“必须”、“必须”、“没有人”或“总是”等词，这些词来自认知行为疗法的文献，指向僵化或不灵活的思维[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba]。正如认知行为疗法基础的一般认知模型所表明的那样[gydF4y2Ba14gydF4y2Ba与随机抽样的个体相比，抑郁症患者更多地使用认知扭曲[gydF4y2Ba15gydF4y2Ba]。莫赛维和约翰斯通[gydF4y2Ba16gydF4y2Ba在他们认为是“绝对主义”的语言中也有类似的发现。其他人也发现了文字特征和抑郁症状之间的联系。例如，在社交媒体和其他环境中更多地使用人称代词(如"我")似乎与抑郁症状有关[gydF4y2Ba17gydF4y2Ba]，这一发现与使用认知任务的研究相关联，该任务将抑郁与自我参照处理的增加联系起来[gydF4y2Ba18gydF4y2Ba]。同样，更多地使用消极情绪词汇，包括那些表达抑郁症状的词汇，似乎与抑郁症状有关[gydF4y2Ba19gydF4y2Ba]。gydF4y2Ba

尽管社交媒体数据为研究涉及精神障碍发展和维持的机制提供了潜力，但被动获取的社交媒体数据仍有局限性。一个限制是社交媒体用户不能代表一般人群[gydF4y2Ba10gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba]。有数据表明，使用特定社交媒体网站的人和不使用特定社交媒体网站的人之间存在社会人口统计学差异。相对于更广泛的人群，Twitter用户更可能是男性，更年轻，受教育程度更高，政治倾向更自由。gydF4y2Ba10gydF4y2Ba]。gydF4y2Ba

还有一种假设是，自我表露需求等变量的差异[gydF4y2Ba20.gydF4y2Ba可能会使使用Twitter的个体样本与不使用Twitter的个体样本产生偏差。同样，自愿让研究人员访问其社交媒体账户的个人可能会提供一个有偏见的子样本，这些人更倾向于自我披露。使用社交媒体数据进行研究的另一个限制是，研究人员缺乏信息来支持从参与者的网络活动中推断他们的健康状况(例如，即使有人明确表示抑郁，他们是否真的抑郁?)gydF4y2Ba

本研究gydF4y2Ba

为了解决社交媒体研究的这些局限性，即缺乏样本代表性和无法验证健康状况，我们进行了内化症状和语言的在线队列研究(social)。SOCIAL是基于队列的研究，我们将自我报告的障碍筛查问卷与从社交媒体获得的数据进行三角分析。社会I和II的参与者完成了一系列障碍筛选问卷，重点是内化症状，旨在更广泛地捕捉精神病理。他们还被要求提供他们的推特账号，我们随后验证了这些账号的有效性，包括它们与机器人的行为有多相似。SOCIAL I是Twitter用户的样本(方法部分)，目标是在年龄、出生性别、种族和民族方面具有全国代表性，SOCIAL II是大学生的大样本。gydF4y2Ba

在这里，我们描述了基线社会人口学特征、社交媒体使用数据和社会I和II个体的心理健康特征。因为我们要求个人自我报告他们是否使用推特，并让我们访问他们的推特账户，我们可以比较社会人口学特征，社交媒体使用数据，以及不同群体之间的心理健康差异，这取决于他们分享社交媒体数据的意愿。我们将参与者分为两组:提供服务的参与者gydF4y2Ba有效的gydF4y2Ba推特帐号指向他们自己的社交媒体内容，以及那些没有或拒绝的内容。后一组可以分为三个子组:(1)拒绝提供有效Twitter handle的用户(gydF4y2Ba无效的句柄gydF4y2Ba(2)否认自己是Twitter用户的用户(gydF4y2Ba不是推特用户gydF4y2Ba)，以及(3)提供现有Twitter帐号的用户，但这些帐号被认为是虚假的gydF4y2Ba采用类gydF4y2Ba由机器学习分类器定义[gydF4y2Ba21gydF4y2Ba]。gydF4y2Ba

方法gydF4y2Ba

概述gydF4y2Ba

两个社会样本都回答了自我报告的调查问卷，探讨内化、外化、躯体形式和思维障碍症状(gydF4y2Ba表1gydF4y2Ba）.我们还收集了人口统计信息和社交媒体使用的各个方面，包括个人是否是Twitter用户，他们是否愿意让我们访问他们的Twitter时间线，以及他们使用的其他社交媒体平台。gydF4y2Ba

参与招聘gydF4y2Ba

我有目的地通过质量面板对个人进行抽样。考虑到这项研究的预算限制，我们的目标是招募大约1000名Twitter用户。从2020年7月到2021年3月，研究人员招募了一些人，进行一项关于“社交媒体和心理健康”的研究。样本被选中代表美国在年龄、性别、种族和民族的交叉点。gydF4y2Ba

SOCIAL I中的所有人都是Twitter用户。因此，我们无法确定Twitter用户本身对个体在基线社会人口特征、社交媒体使用和心理健康症状方面的潜在差异所起的作用。为了有一个不使用Twitter的个人样本，以及有一个额外的样本来评估SOCIAL I结果的可传递性，我们开始了SOCIAL II研究。SOCIAL II从中西部一所以白人和亚裔为主的大学招募了大学生。个人在心理学入门课程中获得学分作为补偿。招聘时间为2020年9月至今。gydF4y2Ba

措施gydF4y2Ba

对于SOCIAL I和SOCIAL II中的个体，我们收集了以下章节中描述的特征信息。gydF4y2Ba

人口特征gydF4y2Ba

具体来说，我们收集了年龄、政治倾向(1=极端自由主义，10=极端保守主义)、种族、民族、出生时的性别(男性、女性、其他或不确定，或不愿说)、性别认同(男性、女性、非二元性、性别酷儿、性别认同、其他或不愿说)和性取向(异性恋或异性恋、同性恋或同性恋、双性恋或泛性恋、其他或不愿说)。在SOCIAL I中，我们询问了参与者的家庭年收入。在SOCIAL II中，我们要求参与者估计他们的gydF4y2Ba父母的gydF4y2Ba家庭年收入。我们将这两个变量表示为相同的变量(即估计的家庭收入)。此外，在SOCIAL I中，我们要求参与者通过使用列表中的单一类别来表明他们的种族(白人，黑人或非裔美国人，美国印第安人或阿拉斯加原住民，夏威夷原住民或太平洋岛民，西班牙裔或其他)。在SOCIAL II中，我们允许参与者选择多种种族和民族身份，包括SOCIAL I以及中东或北非的所有可能性。我们对SOCIAL II中的类别进行了重新编码，以适应SOCIAL I中种族变量的一个版本，即确定个体是否为非西班牙裔白人、非西班牙裔黑人、西班牙裔、亚洲人或其他(例如，夏威夷原住民或太平洋岛民、中东或北非人，或多种族但非西班牙裔)。gydF4y2Ba

社交媒体gydF4y2Ba

Twitter用户(即SOCIAL I中的所有人和SOCIAL II中的一些人)被问及他们在Twitter上花了多少时间(少于每几周一次;每隔几周;一周几天(更像是1-2天);每周几天(3-5天);大约一天一次;或者一天几次)。之所以选择这个项目，是因为皮尤研究中心在之前的一项关于美国社交媒体使用情况的研究中使用了这个项目。此外，所有人都被问及他们使用Twitter和其他社交媒体平台的情况，以二元比例(即，该平台的用户与非用户)。我们要求研究中所有确认自己是Twitter用户的个人提供Twitter的用户名。个人可以选择输入一个有效的Twitter帐号，或者输入文本来绕过这个问题(例如“我不想给出我的Twitter帐号”)。gydF4y2Ba

心理健康gydF4y2Ba

我们编制了一套精神病理学自我报告障碍筛选问卷(gydF4y2Ba表1gydF4y2Ba）.之所以选择这些指标，是因为(1)它们衡量的是相对常见的症状(如抑郁症)或相对不常见但严重损害的症状(如吸毒);(2)它们是当代病毒学中一些主要精神病理学领域的指标(如Kotov等人的研究[gydF4y2Ba2gydF4y2Ba])，(3)它们是免费的，(4)它们被广泛使用。我们使用的大多数测量方法是美国精神病学协会推荐的精神疾病诊断与统计手册(DSM)的严重程度测量方法(例如，社交焦虑、恐慌、担忧和物质使用)，或者是最终被纳入美国精神病学标准的测量方法gydF4y2Ba需求侧管理gydF4y2Ba严重程度测量(即患者健康问卷(PHQ)-9和PHQ-15，分别用于抑郁和躯体症状)。鉴于所有这些措施的回答类型和项目数量不同，因此范围也不同，我们将其标准化为最高分(POMP)分数的百分比[gydF4y2Ba22gydF4y2Ba]。POMP分数的定义如下:POMP =((观察分数-最小可能)/(最大可能-最小可能))× 100。这代表了一个特定分数所代表的测量总分的百分比。例如PHQ-9，分数范围为0 ~ 27,0分代表POMP的0%，14分代表51.85%，27分代表100%。除了描述个人目前经历的精神病理症状外，我们还询问他们是否意识到已经接受了以下精神障碍的医学诊断:抑郁、社交焦虑、广泛性焦虑、特定恐惧症、恐慌症、广场恐怖症、创伤后应激障碍、躯体症状障碍(或“慢性疼痛”)、失眠、酗酒、吸毒或双相情感障碍(I或II)。个人可以回答“是”、“不是”、“不是，但我应该是”或“我不知道”。在这项研究中，我们区分了确定自己有诊断的人(即回答“是”的人)和其他所有人。gydF4y2Ba

我们进行了初步的分析来描述样本，包括不同变量所代表的范围。这些分析的结果表明，个体对自我报告的躁狂症状给出了相对较高的评分，这是先前在文献中通过自我报告评估轻躁狂症状的问题。齐默尔曼(gydF4y2Ba23gydF4y2Ba建议对双相情感障碍的筛查应该伴随着临床医生的后续评估。同样，个体认同与其他内化症状高度相关的广场恐惧症症状相对较少。考虑到这些因素，我们从SOCIAL II中删除了躁狂症评定量表，Altman躁狂症自评定量表以及DSM广场恐怖症严重程度量表，只留下了具有这些量表评定的个体子样本(n=665)。gydF4y2Ba

Twitter状态gydF4y2Ba

所有自称是Twitter用户的人都被要求提供他们的Twitter账号，以识别Twitter上的个人身份。Twitter应用程序编程接口是Twitter提供的一个免费且公开的接口，可以通过个人句柄(前提是这些tweet是公开的)访问个人过去的tweet(时间线)。因此，对于提供Twitter句柄的个人，我们检索个人时间轴(他们过去tweet的时间排序记录)。我们使用Botometer应用程序编程接口(一种使用机器学习来预测给定帐户是否属于某个用户的算法)评估相应的Twitter帐户是否有效并属于真实用户gydF4y2Ba机器人gydF4y2Ba从其基于网络的行为和内容来看(例如，发布的频率，特定的内容特征，他们购买粉丝的证据，该账户是否自称为机器人，或者该账户是否已被其他人宣布为机器人)。根据Botometer开发人员的建议，我们探索了bot分数的分布，并创建了0.42的截断值来将个体分类为gydF4y2Ba采用类gydF4y2Ba或gydF4y2Ba有效的gydF4y2Ba用户。gydF4y2Ba

个人被归类为提供gydF4y2Ba无效的gydF4y2Ba处理，如果他们拒绝提供他们的句柄，回答有关句柄的问题的响应不是一个语法上有效的Twitter帐户(例如，“我不想给你这个信息”)，或者如果Botometer无法访问Twitter帐户。除了这三组(即，gydF4y2Ba无效的,采用gydF4y2Ba,gydF4y2Ba有效的gydF4y2Ba)，在SOCIAL II中，我们纳入了否认自己是Twitter用户的个人(gydF4y2Ba不是推特用户gydF4y2Ba）.我们将重点放在这3-4个子组之间的差异上，这些子组使用Twitter用户，他们没有提供句柄，或者提供的句柄在语法上不是有效的帐户名(例如gydF4y2Ba无效的gydF4y2Ba处理组)。gydF4y2Ba

分析计划gydF4y2Ba

所有分析均使用R编程语言(4.1.2版)进行[gydF4y2Ba24gydF4y2Ba]在R Studio [gydF4y2Ba25gydF4y2Ba]。鉴于我们收集的样本在人口统计学特征上存在很大差异，我们根据研究队列报告所有分析(即首先在SOCIAL I中，然后在SOCIAL II中)。对于连续变量，我们以均值、标准差、中位数和IQR值的形式提供描述性统计。对于分类变量，我们给出频率和百分比。gydF4y2Ba

为了评估社会人口因素、社交媒体使用和心理健康变量之间的统计学显著差异，我们测试了这些变量(例如，年龄、使用Twitter的频率和抑郁症)与群体成员(即，没有手柄、像机器人一样、有效和没有Twitter[在social II上])之间的关联。对于连续变量，我们报告了gydF4y2BaPgydF4y2BaKruskal-Wallis秩和检验的值。对于分类变量，我们报告了gydF4y2BaPgydF4y2Ba通过卡方检验来评估Twitter群组成员是否与特定的基线特征(如种族和性别认同)显著相关gydF4y2BaPgydF4y2Ba当单元格大小<5时，Fisher精确检验的值。为了描述这些关联的程度(即，超出其统计显著性的影响强度)，对于二元变量，我们报告了95% ci的比值比(or)，当使用提供无效用户名的个人作为参考组时。对于名义变量(例如，性别为男性、女性或非二元)，我们报告Cramer v。对于连续变量，我们报告标准化的β值和95% ci，表示所讨论的每个变量的SD单位的差异。gydF4y2Ba

伦理批准gydF4y2Ba

这两项研究都得到了印第安纳大学机构审查委员会(2002549202和2005948214)的批准。gydF4y2Ba

结果gydF4y2Ba

社会我gydF4y2Ba

人口特征gydF4y2Ba

在SOCIAL I (N=1123)中，参与者的平均年龄在35岁左右，尽管所代表的年龄存在差异(gydF4y2Ba表2gydF4y2Ba）.大约一半的人(580/1123,51.65%)提供了有效的Twitter帐号。对于其余的(即543/1123,48.35%的人没有提供有效的Twitter handle)，大多数是提供无效Twitter handle的个人(353/1123,31.43%)，只有16.92%(190/1123)的人提供了被认为是有效的Twitter handlegydF4y2Ba采用类gydF4y2Ba。大多数使用Twitter的人报告说，他们至少“每天使用该平台几次”。个人大致沿着政治光谱分裂，在性取向、性别认同和社会经济地位方面似乎存在差异。相对于来自美国的人口，西班牙裔和亚洲人的人数似乎不足。gydF4y2Ba

在基于Twitter状态的SOCIAL I中，个体之间存在各种统计上显著的人口统计学差异(gydF4y2Ba表2gydF4y2Ba）.总的来说，我们关注的是提供有效Twitter句柄的人与拒绝提供或提供无效句柄的人之间的差异(例如，我们忽略了提供无效句柄的人与提供类似机器人句柄的人之间的差异)。与提供无效用户名的Twitter用户相比，提供有效用户名的Twitter用户更自由(β= -0.14, 95% CI -0.20至-0.07)，使用Twitter的频率更低(OR 0.73, 95% CI 0.56-0.95)，收入更低(OR 0.58, 95% CI 0.46-0.74)。此外，与提供无效用户名的Twitter用户相比，提供有效用户名的Twitter用户相对更有可能被认定为性别酷儿、非二元或不愿使用男性或女性名称，而不是被认定为男性(Cramer V=0.14, 95% CI 0.11-0.19)，相对更有可能被认定为男同性恋、女同性恋或双性恋，而不是异性恋(or 1.59, 95% CI 1.12-2.28)。gydF4y2Ba

使用社交媒体gydF4y2Ba

在SOCIAL I中，所有个体都被招募为Twitter用户。大多数样本使用的其他社交媒体平台是Facebook、Instagram和YouTube (gydF4y2Ba表3gydF4y2Ba）.Twitter状态在社交媒体使用方面似乎存在一些统计学上的显著差异，但这些影响主要归因于机器人用户(例如，机器人用户比有效用户更有可能报告使用LINE)。提供有效Twitter帐号的个人比提供无效Twitter帐号的个人更有可能报告他们使用Tumblr (OR 1.48, 95% CI 1.07-2.05)和Pinterest (OR 1.79, 95% CI 1.37-2.34)。gydF4y2Ba

心理健康gydF4y2Ba

精神病理学的各种措施的POMP分数以及报告的诊断是在gydF4y2Ba图1gydF4y2Ba和gydF4y2Ba表4gydF4y2Ba。压力和失眠是最常见的症状。重度抑郁、广泛性和社交焦虑是最常见的临床诊断。两组在临床症状或诊断上有一些统计学上的显著差异。我们发现的差异非常小。例如，两组之间最大的差异是自我报告的躁狂症状，并建议提供有效Twitter帐号的个体比不提供Twitter帐号的个体有更低的躁狂症状，尽管这种差异以传统标准衡量很小(β= -0.22, 95% CI -0.28至-0.15)。两组之间的第二大差异是自我报告的酒精问题，这表明提供有效Twitter账号的个体比没有提供Twitter账号的个体有更低的酒精使用症状，尽管这种差异很小(β= -0.19, 95% CI -0.25至-0.12)。与提供无效网名的个体相比，提供有效网名的个体较少报告相对罕见的诊断，如躯体症状障碍(OR 0.38, 95% CI 0.21-0.68)和药物使用障碍(OR 0.60, 95% CI 0.39-0.92)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

内化症状和语言的在线队列研究2gydF4y2Ba

人口特征gydF4y2Ba

在SOCIAL II (N=1988)中，年龄更局限于18至22岁的范围，与本科生的预期一样(平均19.07，标准差2.91年;gydF4y2Ba表5gydF4y2Ba）.样本主要是女性(gydF4y2Ba表5gydF4y2Ba)，这是典型的心理学学生，主要是白人和亚洲人，这与该机构的人口特征是一致的。共有32.22%(760/1128)的参与者否认自己是Twitter用户。在Twitter用户(1228/1988，占整个样本的61.77%)中，大多数人要么拒绝给出句柄(515/1228,41.94%)，要么给出有效的句柄(484/1228,39.41%)，少数人提供的句柄被认为是机器人式的(229/1228,18.65%)。在那些自称是Twitter用户的人中，大约一半的人“大约每天”使用Twitter一次。大约一半的学生报告说，他们的父母年收入≥10万美元，其余的学生在不同的收入类别中分布相对均匀。在政治上，他们与自由-保守连续体的政治中心保持一致。gydF4y2Ba

基于Twitter用户状态的个体之间有3个具有统计学意义的差异，其中2个涉及具有有效Twitter用户名的个体。首先，提供有效Twitter帐号的个体比Twitter用户但没有提供帐号或提供无效帐号的个体更频繁地使用Twitter (or 2.48, 95% CI 1.98-3.13)。其次，Twitter用户状态在报告的种族和民族方面存在差异(Cramer V=0.03, 95% CI 0.02-0.07)。具体来说，提供有效Twitter帐号的个体是西班牙裔的可能性低于Twitter用户但没有提供帐号的个体(OR 0.40, 95% CI 0.21-0.77)。gydF4y2Ba

社交媒体gydF4y2Ba

在SOCIAL II中，Instagram和Snapchat是最受欢迎的平台，几乎所有个人都在使用(gydF4y2Ba表3gydF4y2Ba）.Twitter、Facebook、YouTube和TikTok也很受欢迎，使用人数为61.77%(1228/1988)至78.72%(1530/1988)。在参与者使用的社交媒体平台方面出现了一些差异。然而，这些差异中的大多数表明，否认自己是Twitter用户的人也不太可能使用其他平台。两个例外是，SOCIAL II中使用Twitter并提供有效handle的个体比拒绝提供handle或提供无效handle的个体更有可能使用TikTok (OR 1.50, 95% CI 1.05-2.14)和Pinterest (OR 1.35, 95% CI 1.04-1.77)。gydF4y2Ba

心理健康gydF4y2Ba

精神病理学的各种措施的POMP分数以及报告的诊断是在gydF4y2Ba图2gydF4y2Ba和gydF4y2Ba表6gydF4y2Ba。与SOCIAL I类似，在SOCIAL II中，压力和失眠是最常见的症状，重度抑郁和广泛性社交焦虑是最常见的临床诊断。相对于SOCIAL I (gydF4y2Ba表4gydF4y2Ba)，在临床症状或诊断方面，两组之间的统计学显著差异甚至更少。提供有效(与无效)处理的个体之间的最大差异是广场恐惧症症状，其幅度相对较小(β= -0.13, 95% CI 0.03-0.15)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

我们的研究结果表明，从个人那里收集社交媒体数据是可行的，这些个人也提供了有关广泛心理健康症状的信息。我们没有发现证据表明，提供有效Twitter账户的个人与提供无效账户名、不提供账户名、不使用Twitter或被归类为机器人的个人相比，是一个有偏见的样本。社交媒体的广泛使用[gydF4y2Ba10gydF4y2Ba]促进了对纵向观察的大样本研究[gydF4y2Ba26gydF4y2Ba-gydF4y2Ba28gydF4y2Ba]。虽然社交媒体活动的本质可能相当简单(例如，发布简短的文本和分享视听内容)，但研究人员已经从这种活动中得出了很好的推论，即情绪[gydF4y2Ba26gydF4y2Ba-gydF4y2Ba28gydF4y2Ba，睡眠模式[gydF4y2Ba11gydF4y2Ba]，社会关系[gydF4y2Ba26gydF4y2Ba]，个性[gydF4y2Ba28gydF4y2Ba在现实环境中体现出来。大部分工作缺乏临床相关变量的测量，例如我们使用的对抑郁、焦虑和其他精神障碍症状的有效评估。例如，我们进行了一项研究，描述了自认为接受过抑郁症临床诊断的个体的语言特征[gydF4y2Ba15gydF4y2Ba]，发现他们使用的语言比随机抽样更消极、更死板[gydF4y2Ba15gydF4y2Ba]。尽管使用个体自我识别获得的结果很有趣，但它们受到各种可能的样本和观察偏差的影响，并且可以重复验证临床筛选量表，例如我们在本研究中使用的量表。gydF4y2Ba

我们进行了SOCIAL I和SOCIAL II研究，将从社交媒体获得的数据和元数据与一系列经过验证的临床自我报告进行三角分析，这些报告包括痛苦症状(即抑郁、压力和广泛焦虑)、恐惧(即恐慌和社交焦虑)、物质使用(即酒精和其他药物)、躯体形式问题(即失眠和慢性疼痛)和潜在的思维障碍症状(即与轻躁狂一致的症状)。然而，对临床数据和社交媒体数据三角化研究的担忧仍然是，在此类研究中自愿使用社交媒体账户的个人并不代表一般的社交媒体个人[gydF4y2Ba20.gydF4y2Ba]。在本报告中，我们比较了提供有效Twitter用户名的Twitter用户、提供与高bot分数账户相关的Twitter用户、提供无效账户名的Twitter用户以及social II中非Twitter用户的基线社会人口学、临床和社交媒体变量。在这两个群组中，提供有效Twitter帐号的人往往比没有提供帐号或提供无效帐号的人使用Twitter的次数要少，尽管这些差异很小，而且大多数人报告说“每天使用Twitter好几次”。总的来说，两组之间的差异没有统计学意义，即使有统计学意义，其幅度也很小。这表明，先前的研究重点是那些自我披露有效Twitter账号的个人，至少在人口统计学、临床和社交媒体特征方面是可以推广的。我们观察到两个队列之间的其他人口统计学差异。例如，在SOCIAL I中，双性恋女性更愿意提供自己的名字，女同性恋、男同性恋、双性恋和酷儿(相对于异性恋者)以及收入较低(相对于较高)的女性也是如此。尽管如此，在我们确实检测到差异的所有情况下，连续变量和有序变量的分布完全重叠，并且效应大小的差异相对较小。再一次，这些结果是令人鼓舞的，关于更广泛地向社交媒体用户自愿提供他们的用户名的研究的普遍性，因此，不支持依赖于愿意提供他们的Twitter用户名的用户样本会导致显著样本偏差的批评。gydF4y2Ba

局限与优势gydF4y2Ba

我们数据中固有的一些限制值得考虑。首先，社交媒体的使用，尤其是频繁使用社交媒体，并不是一个随机的正态分布变量。例如，有证据表明，一小部分用户负责大量的推文。因此，未来对SOCIAL I和SOCIAL II数据集以及相关数据集的分析应考虑社交媒体活动的频率以及该活动的性质。此外，参与一项以社交媒体为重点的研究的决定本身可能会引入一种我们无法防范的选择偏见。尽管我们的样本允许我们跨分析单元(即自我报告、文本数据和元数据)研究心理健康和社交媒体，但我们缺乏更客观的数据，包括生物标志物，甚至是心理健康症状的观察者报告。重要的是，尽管我们没有对精神障碍诊断进行半结构化访谈，但精神障碍的诊断在很大程度上受到症状严重程度的影响[gydF4y2Ba29gydF4y2Ba]。对于许多临床问题，如抑郁症[gydF4y2Ba30.gydF4y2Ba焦虑和酗酒[gydF4y2Ba31gydF4y2Ba]，我们使用的障碍筛查量表(如我们使用的量表)的分数是临床访谈中诊断的极好预测因素。gydF4y2Ba

未来的发展方向gydF4y2Ba

尽管社交媒体样本不能代表整个人口，但社交媒体用户占美国所有个人的20%-70% [gydF4y2Ba10gydF4y2Ba]，从而提供了一个构成美国全部人口多数的样本。在SOCIAL I中，我们收集了一个相对异构的Twitter用户样本。SOCIAL II是一个更均匀的样本，但它的优势在于包含了不使用Twitter或不愿分享这些数据的个人的子样本。我们收集了各种各样的精神病理学的跨诊断特征，这些特征代表了精神健康状况不佳的最常见症状。这些数据将使我们能够评估精神病理学的频谱和范围如何在自然语言和社会网络中表现出来。gydF4y2Ba

有了这些数据集，我们可以对自我报告的临床数据和从社交媒体收集的数据进行三角测量。在这两个样本中，心理健康症状都得到了较好的体现，这使它们成为研究精神病理学的良好的大规模样本。我们目前的分析表明，在这些数据集中，自愿提供Twitter账号并提供有效账号的个人在人口统计学特征、社交媒体使用和心理健康方面与其他个人没有什么不同。这方面工作的未来方向是使用自我报告的心理健康来复制通过社交媒体活动推断心理健康的研究结果。另一个方向是扩展数据收集，包括生态瞬间评估，以三角测量社交媒体行为在多大程度上是个体心理健康的有效窗口。gydF4y2Ba