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，在世界范围内由疾病导致的残疾中占很大比例[gydF4y2Ba 1gydF4y2Ba］．根据精神病理学的等级模型[gydF4y2Ba 2gydF4y2Ba]，大多数这些临床问题可以分组到包括gydF4y2Ba 内化gydF4y2Ba维度，包括情绪障碍，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，包括持续的消极情感、积极情感的干扰、社会过程的中断、唤醒和调节过程的干扰、感觉运动问题和认知功能障碍[gydF4y2Ba 3.gydF4y2Ba］．然而，要确定精神病理的可靠机制是极其困难的。尽管精神障碍很常见[gydF4y2Ba 4gydF4y2Ba]，它们的呈现特征也是高度异质性的[gydF4y2Ba 2gydF4y2Ba］．此外，心理健康症状的纵向过程也是异质性的，有些人的过程很短，而另一些人的过程是高度慢性或复发-恢复过程[gydF4y2Ba 5gydF4y2Ba］．gydF4y2Ba

描述精神病理的异质性需要大量样本，因此，这已成为现代临床研究的主要内容，即STAR*D(缓解抑郁症的序列治疗替代方案)等临床试验[gydF4y2Ba 6gydF4y2Ba]、流行病学研究[gydF4y2Ba 7gydF4y2Ba，神经成像队列[gydF4y2Ba 8gydF4y2Ba]，以及神经认知评估研究[gydF4y2Ba 9gydF4y2Ba］．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%的美国成年人称自己至少属于一个社交媒体平台[gydF4y2Ba 10gydF4y2Ba］．具体来说，美国有23%的人口使用Twitter [gydF4y2Ba 10gydF4y2Ba］．虽然Twitter的使用具有帕累托分布，其中少数个人占据了Twitter的大部分活跃活动;大约四分之三的Twitter用户每周至少使用一次Twitter平台(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、主题内文本分析。gydF4y2Ba

我们之前曾使用Twitter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，那些在推特中披露自己被诊断为抑郁症的人(例如，“几个月前我被诊断为抑郁症……”)与随机抽取的推特用户相比，推特活动的昼夜模式有所不同。gydF4y2Ba 11gydF4y2Ba］．具体来说，那些被诊断为抑郁症的人在深夜更频繁地使用Twitter，而在白天早些时候使用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”、“不得不”、“没有人”或“总是”等词，这是认知行为疗法文献中的一个概念，指向僵化或不灵活的思维[gydF4y2Ba 12gydF4y2Ba，gydF4y2Ba 13gydF4y2Ba］．正如认知行为疗法的一般认知模型所暗示的那样[gydF4y2Ba 14gydF4y2Ba，抑郁症患者比随机抽样的个体更多地利用认知扭曲[gydF4y2Ba 15gydF4y2Ba］．莫赛维和约翰斯通[gydF4y2Ba 16gydF4y2Ba在他们认为“绝对主义”的语言上也有类似的发现。其他人也发现了书面文字的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，人称代词(如“我”)的大量使用似乎与抑郁症的症状有关。gydF4y2Ba 17gydF4y2Ba，这一发现与使用认知任务将抑郁与自我参照处理增加联系起来的研究相联系[gydF4y2Ba 18gydF4y2Ba］．同样，更多使用负面情绪词汇，包括那些表达抑郁症状的词汇，似乎与抑郁症状有关[gydF4y2Ba 19gydF4y2Ba］．gydF4y2Ba

尽管社交媒体数据为研究精神障碍的发展和维持机制提供了潜力，但被动获得的社交媒体数据也有局限性。一个限制是社交媒体用户不能代表一般人群[gydF4y2Ba 10gydF4y2Ba，gydF4y2Ba 20.gydF4y2Ba］．有数据显示，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。gydF4y2Ba 10gydF4y2Ba］．gydF4y2Ba

也有人假设，自我表露需求等变量的差异[gydF4y2Ba 20.gydF4y2Ba可能会对使用Twitter的个人和不使用Twitter的人的样本产生偏见。同样地，那些自愿让研究人员访问他们的社交媒体账户的人可能会提供一个有偏见的次级样本，即更倾向于自我表露的人。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，有人真的抑郁吗，即使他们明确地说了?)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，我们开展了症状和语言内化在线队列研究(social)。SOCIAL是基于队列的研究，我们将自我报告的障碍筛选问卷与从社交媒体获得的数据进行了三角分析。SOCIAL I和II的参与者完成了一系列障碍筛选问卷，主要关注内在症状，旨在更广泛地捕捉精神病理学。他们还被要求提供他们的Twitter账号，我们随后对其有效性进行了验证，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、出生时指定的性别、种族和民族方面具有全国代表性，而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特征，社交媒体使用数据，以及社会I和社会II中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Twitter，并允许我们访问他们的Twitter账户，我们可以根据个人分享社交媒体数据的意愿，比较社会人口特征、社交媒体使用数据和不同群体之间的心理健康差异。我们区分了大约两组参与者:提供服务的人gydF4y2Ba 有效的gydF4y2Ba推特句柄指向自己的社交媒体内容，以及那些没有或拒绝的人。后者可分为三个子组:(1)拒绝提供有效Twitter句柄的用户(gydF4y2Ba 无效的句柄gydF4y2Ba)，(2)否认自己是Twitter用户的用户(gydF4y2Ba 不是Twitter用户gydF4y2Ba)和(3)用户提供了一个现有的Twitter帐户，但这些帐户被认为是gydF4y2Ba 采用类gydF4y2Ba由机器学习分类器定义[gydF4y2Ba 21gydF4y2Ba］．gydF4y2Ba

两种社会样本都回答了调查内在、外在、躯体形式和思维障碍症状的自我报告问卷(gydF4y2Ba 表1gydF4y2Ba)．我们还收集了人口统计信息和社交媒体使用的方方面面，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，以及他们使用哪些其他社交媒体平台。gydF4y2Ba

我有意通过Qualtrics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。研究人员从2020年7月到2021年3月招募了一些人，进行一项关于“社交媒体和心理健康”的研究。样本被选来代表美国在年龄、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学特征、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。为了获得一个不使用Twitter的个人样本，同时也为了有一个额外的样本来评估SOCIAL I结果的可移植性，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大学生。每个人都可以获得心理学入门课程的学分作为补偿。研究人员从2020年9月开始招募，一直招募到现在。gydF4y2Ba

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

所有报告自己是Twitter用户的人都被要求提供他们的Twitter帐户，这可以识别Twitter上的个人。Twitter应用程序编程接口是Twitter提供的一个免费的公共接口，它提供通过个人句柄访问个人过去的tweet(时间线)的权限(前提是这些tweet是公开的)。因此，对于提供了Twitter句柄的个人，我们检索了个人的时间线(对他们过去的推文进行时间排序的记录)。我们使用Botometer应用程序编程接口来评估相应的Twitter帐户是否有效并属于真实用户，该算法使用机器学习来预测给定的帐户是否属于一个gydF4y2Ba 机器人gydF4y2Ba从其基于网络的行为和内容(例如，发布的频率，具体的内容特征，他们购买追随者的证据，该帐户是否自我声明为机器人，或该帐户是否被其他人宣布为机器人)。根据Botometer开发者的建议，我们探索了bot分数的分布，并创建了0.42的分界点来将个体分类为gydF4y2Ba 采用类gydF4y2Ba或gydF4y2Ba 有效的gydF4y2Ba用户。gydF4y2Ba

个人被分类为提供gydF4y2Ba 无效的gydF4y2Ba如果他们拒绝提供他们的句柄，回答关于句柄的问题时给出的回答不是一个语法有效的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，我们包括了否认自己是Twitter用户的个人(gydF4y2Ba 不是Twitter用户gydF4y2Ba)．我们关注这3-4个使用Twitter用户的子组之间的差异，这些用户没有提供句柄，或者提供的句柄在语法上不是有效的帐户名(即gydF4y2Ba 无效的gydF4y2Ba处理组)。gydF4y2Ba

所有分析均使用R编程语言(版本4.1.2)进行[gydF4y2Ba 24gydF4y2Ba在R工作室[gydF4y2Ba 25gydF4y2Ba］．鉴于我们收集的样本在人口统计学特征上存在显著差异，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，我们以平均值、SDs、中位数和IQR值的形式提供描述性统计数据。对于分类变量，我们给出了频率和百分比。gydF4y2Ba

为了评估社会人口统计学因素、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(如年龄、使用Twitter的频率和抑郁)与群体成员关系(即，无柄、机器人式、有效和无Twitter[在social II上])的关联。对于连续变量，我们报告gydF4y2Ba PgydF4y2Ba值来自Kruskal-Wallis秩和检验。对于分类变量，我们报告了gydF4y2Ba PgydF4y2Ba通过卡方检验来评估推特群成员身份是否与特定的基线特征(如种族和性别认同)显著相关gydF4y2Ba PgydF4y2Ba当单元格大小<5时的Fisher精确检验值。为了描述这些关联的大小(即，影响的强度超过其统计显著性)，对于二元变量，当使用提供无效用户名的个体作为参考组时，我们报告了95% ci的比值比(or)。对于名义变量(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β值和95% ci，代表每个变量的SD单位的差异。gydF4y2Ba

两项研究都获得了印第安纳大学机构审查委员会(2002549202和2005948214)的批准。gydF4y2Ba

我们的研究结果表明，从那些也提供了大量心理健康症状信息的个人那里收集社交媒体数据是可行的。与那些提供无效句柄、不提供句柄、不使用Twitter或被归类为机器人的人相比，我们没有发现证据表明提供有效Twitter账户的人是一个有偏见的样本。社交媒体的广泛使用[gydF4y2Ba 10gydF4y2Ba]促进了通过纵向观察对大样本进行研究[gydF4y2Ba 26gydF4y2Ba-gydF4y2Ba 28gydF4y2Ba］．尽管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对情绪的方式做出了有力的推论。gydF4y2Ba 26gydF4y2Ba-gydF4y2Ba 28gydF4y2Ba，睡眠模式[gydF4y2Ba 11gydF4y2Ba，社会关系[gydF4y2Ba 26gydF4y2Ba]、个性[gydF4y2Ba 28gydF4y2Ba在现实世界中表现明显。大多数这项工作缺乏对临床相关变量的测量，如我们使用的抑郁、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[gydF4y2Ba 15gydF4y2Ba]，发现他们使用的语言比随机样本的语言更消极和刻板[gydF4y2Ba 15gydF4y2Ba］．虽然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，并与我们在本研究中使用的经过验证的临床筛选量表进行了复制。gydF4y2Ba

我们进行了SOCIAL I和SOCIAL II研究，将从社交媒体中获得的数据和元数据与一系列经过验证的抑郁(即抑郁、压力和广泛性焦虑)、恐惧(即恐慌和社交焦虑)、药物使用(即酒精和其他药物)、躯体形式问题(即失眠和慢性疼痛)和潜在思维障碍症状(即轻躁狂症状)的临床自我报告进行了三角测量。然而，对将临床数据和社交媒体数据进行三角分析的研究的一个担忧仍然是，在此类研究中自愿使用社交媒体账户的个人并不代表社交媒体上的一般个人[gydF4y2Ba 20.gydF4y2Ba］．在本报告中，我们比较了提供有效Twitter句柄的Twitter用户与提供与bot分数高的账户相关的句柄的Twitter用户、提供无效账户名的Twitter用户以及(在social II中)非Twitter用户的基线社会人口学、临床和社交媒体变量。在这两个队列中，提供有效的Twitter句柄的人倾向于比不提供句柄或提供无效句柄的人更少使用Twitter，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，两组之间的差异在统计上不显著，即使在统计上显著，它们的幅度也很小。这表明，之前专注于自我披露有效Twitter信息的个人的研究是可推广的，至少在人口学、临床和社交媒体特征方面是如此。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，顺性别的女性更有可能提供她们的句柄，女同性恋、男同性恋、双性恋和酷儿人群(与异性恋人群相比)以及报告收入较低(与收入较高)的人群也是如此。尽管如此，在我们确实检测到差异的所有情况下，连续变量和序数变量的分布完全重叠，而且效应大小的差异在量级上相对较小。同样，这些结果是令人鼓舞的，因为研究的对象是更广泛的社交媒体用户，他们自愿提供自己的账户名，因此，不支持依赖愿意提供Twitter账户名的用户样本会导致显著的样本偏见的批评。gydF4y2Ba

我们的数据有一些固有的局限性值得考虑。首先，社交媒体的使用，尤其是频繁的社交媒体使用，并不是一个随机的正态分布变量。例如，有证据表明，一小部分用户负责发布大量的推文。因此，未来对SOCIAL I和SOCIAL II数据集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，参加一项专注于社交媒体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，但我们缺乏更多的客观数据，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，尽管我们没有进行关于精神障碍诊断的半结构化访谈，但精神障碍的诊断在很大程度上受症状严重程度的影响[gydF4y2Ba 29gydF4y2Ba］．对于许多临床问题，如抑郁症[gydF4y2Ba 30.gydF4y2Ba焦虑和饮酒[gydF4y2Ba 31gydF4y2Ba，我们使用的障碍筛选量表的得分是临床访谈中诊断的优秀预测指标。gydF4y2Ba

尽管社交媒体样本不能代表全部人口，但社交媒体用户代表了美国所有个人的20%-70% [gydF4y2Ba 10gydF4y2Ba]，从而提供了一个构成美国整个人口的多数的样本。在SOCIAL I中，我们收集了一个相对不同的Twitter用户样本。SOCIAL II是一个同质性更强的样本，但它的优势在于包含了一个不使用Twitter或不愿分享这些数据的人的次样本。我们收集了一系列精神病理学的转诊断特征，这些特征代表了精神健康不良的最常见症状。这些数据将使我们能够评估精神病理学的谱系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定位。在这两个样本中，心理健康症状的代表性相对较好，使它们成为研究精神病理学的良好大规模样本。我们目前的分析表明，在这些数据集中，自愿提供自己的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并无不同。这方面工作的未来方向是利用自我报告的心理健康来复制通过社交媒体活动推断出的心理健康结果。另一个方向是扩展数据收集，包括生态即时评估，以三角定位社交媒体行为在多大程度上是了解个人心理健康的有效窗口。gydF4y2Ba