这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR精神健康杂志上的原创作品。必须包括完整的书目信息,http://mental.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
抑郁症是全球疾病的主要原因,通常以缺乏社会联系为特征。随着社交媒体的兴起,Twitter用户正在寻找基于网络的抑郁症联系。
这项研究旨在确定推特用户使用#我的抑郁症看起来像#标签发布推文的社区。一旦确定,我们想要了解哪些社区特征与Twitter用户转向基于网络的社区来谈论抑郁症相关。
2016年5月25日至6月1日,在美国东北部和华盛顿特区的心理健康月(n=104)期间,使用NCapture软件收集推文。在绘制推文后,我们使用泊松多水平回归模型来预测每个社区(县)的推文被人口抵消,并根据女性比例、15-44岁人口比例、白人比例、贫困以下人口比例和单人家庭比例进行调整。然后,我们比较了预测的和观察到的计数,并计算出推文指数值(TIVs)来表示推文不足和推文过度。最后,我们利用Pearson相关分析了TIV的社区特征趋势。
我们发现推文数量与女性、单人家庭和15-44岁人口的区域比例之间存在显著相关性。研究区东部沿海地区的TIV低于预期(TIV 1)。在西部内陆地区(TIV 2),有一些社区像预期的那样发布推特。推特超过预期的县通常分散在整个研究区域,缅因州的底部有一个小集群。在研究社区特征以及各县的推特过度和推特不足时,我们观察到几种类型的非营利组织和TIV值有明显的上升梯度。然而,我们也观察到许多社区因素的u型关系,这表明相同的特征与过度推文和少推文相关。
我们的研究结果表明,基于网络的社区,而不是取代物理连接,可能会补充或充当离线社交社区的代理,从更高水平的推特和大量非营利组织之间的一致相关性中可以看出。未来的研究可以扩展时空范围来证实这些发现。
每天,全球有3.13亿用户在流行的社交网站推特上分享5亿条消息或推文。
在美国,每年约有7%的成年人患有抑郁症,但只有一半的人寻求专业帮助。
其他研究关注的是为什么用户通过Twitter等基于网络的社区交流心理健康问题。例如,#WhyWeTweetMH研究得出了几个关于心理健康的主题,包括社区意识、提高意识、消除耻辱、表达空间以及应对和赋权[
也许,社区设施的缺乏,如公园和博物馆,可能意味着居民之间社会互动的目的地较少。这样一来,社区的结构和功能特征可能会影响社会纽带[
社区设施的缺乏和有限的社会互动可能是影响使用Twitter寻求抑郁症联系的因素。为了探索可能导致更多Twitter用户寻求基于网络的支持的社区特征,本研究使用空间数据来了解社区的构建和人口特征与使用Twitter提供抑郁症支持的关系。我们的发现可以为社区努力增加社会互动,并为居民的心理健康提供支持。这项研究提供了独特的信息,尚未通过在关于抑郁症的推文中检查地理位置和社区设施进行分析。
我们的研究被密歇根州立大学机构审查委员会确定为非人类研究对象。所有参与的研究人员都接受了同一机构审查委员会的伦理培训。
通过Twitter的公开流数据下载推文[
Twitter将数据采集限制为从公共内容中抽取10%的随机样本,我们将其编译到一个数据库[
为了预测各县的预期推文,我们编制了通常与抑郁症诊断相关的人口统计数据。我们从2010年人口普查和2015年美国社区调查中收集了人口数据[
为了了解社区特征和推文水平之间的关系,我们收集了可以提供支持、面对面治疗、社交互动机会或活跃社区居民指标的特征数据。这些特征包括公园或受保护的开放空间、礼拜场所、博物馆、活跃的投票率、精神卫生保健提供者、非营利组织(由国家分类豁免实体代码组织)、K12学校和自住住房单元。同样,我们收集了可能阻碍社区支持的特征的数据,包括空置的住房单元。群落特征数据来自几个来源(见
使用Stata v11.1 (StataCorp, College Station, TX, USA)将非营利组织按目的分组:健康、人类服务、公共和社会福利、宗教和教育。按团体、礼拜场所、精神卫生保健提供者、空置和自住住房单位分类的非营利组织数量按县统计。然后计算出每10万人的发病率。使用ArcGIS v10.5 (Esri, Redlands, CA, USA)绘制了博物馆、K12学校、公园和县界的空间位置图[
活跃选民总数均来自2016年第四季度。我们按县汇总了活跃选民计数,然后将这些计数除以活跃选民人数。然后我们计算了活跃选民的百分比。对于没有报告活跃选民总数的州,我们使用了该州2016年总统选举的选民投票率。
我们假设,从理论上讲,通过Twitter寻求支持的社区水平应该由与抑郁症和心理健康状况不佳相关的人口特征来预测[
我们关注的焦点是了解哪些地区的推文量高于或低于预期。因此,在拟合模型后,我们计算了观测计数和预期计数之间的差异,并将这些残差分类为推文指数值(TIV)分位数,其中1=推文不足,均值- 0.37 (SD 0.53);2=推文符合预期,均值−0.02 (SD 0.01);和3=过度推特,平均值1.36 (SD 1.55)。然后,这些TIVs被用于研究群落特征趋势。
人口统计和社区特征数据来源。
变量 | 数据源一个 | 一年 |
15-44岁的比例 | 美国人口调查局 | 2010 |
%的女性 | 美国人口调查局 | 2010 |
白色的百分比 | 美国人口调查局 | 2010 |
单人家庭比例 | 美国人口调查局 | 2010 |
低于贫困线的百分比 | 美国人口普查局(美国社区调查5年估计) | 2015 |
自住房屋单位费率 | 美国人口普查局(美国社区调查5年估计) | 2015 |
空置房屋单位售价 | 美国人口普查局(美国社区调查5年估计) | 2015 |
礼拜场所比率 | 宗教资料档案协会 | 2010 |
精神卫生保健提供者比率 | 县健康排名和路线图 | 2015 |
博物馆率 | 博物馆和图书馆服务协会 | 2017 |
每10万名儿童中有K12学校 | 美国地质调查局 | 2016 |
活跃选民百分比 | 州选举委员会 | 2016 |
公园所占面积百分比 | 国家地理信息系统数据门户 | 各种各样的 |
非营利组织评级 | 城市研究所国家慈善统计数据档案中心 | 2005 |
学龄人口 | 美国人口调查局 | 2010 |
县边界 | 美国地质调查局 | 2016 |
一个推文计数是由研究团队收集的,这里不包括。非营利组织被分为国家分类豁免实体类进行分析,但这些类在这里没有显示。除另有说明外,每10万人口中的比率。
在分析过程中,我们决定测试我们的结果是否可能是由一个县(华盛顿特区)驱动的,因为这个县由于几个原因似乎是一个异常值。例如,虽然它的博物馆和其他社区设施非常多,但人口往往是年轻的,推文数量是最高的。为此,我们进行了灵敏度分析,在不包括DC的情况下,也拟合了上述模型。然而,对于所有自变量,我们的事件发生率(IRRs)变化<1%
选择之前概述的社区特征是基于每个因素在促进或阻碍支持、面对面治疗、社会互动机会或活跃社区居民指标方面的潜在作用。我们用TIV计算每个特征的均值。然后我们计算了TIV5:1的比值和Pearson相关系数(
地图捕获的#我的抑郁症看起来像推文显示,在观察期间,研究地区的大多数县都没有使用这个标签(
在我们的研究地区,马里兰州、纽约州和宾夕法尼亚州的推特数量最高。然而,他们在全州范围内的平均值显示,他们与其他州相似。在按州划分的县的描述性统计中,华盛顿特区是一个异常值(
我们发现几个自变量与推文数之间存在统计学上显著的正相关(
为了了解建筑环境和tweet水平之间的关系,我们收集了一套社区特征,并将它们与TIVs联系起来。我们观察到
2016年11个州和哥伦比亚特区各县的#MyDepressionLooksLike推特。
回归结果用于计算研究地区各县的推文指数值(n=245)。
独立变量 | 事故率 |
|
95%可信区间 |
15-44岁的比例 | 1.11 | 02 | 1.02 - -1.21 |
%的女性 | 1.70 | <措施 | 1.25 - -2.29 |
白人人口百分比 | 0.99 | .37点 | 0.96 - -1.02 |
单人家庭比例 | 0.90 | 03 | 0.82 - -0.99 |
低于贫困线的百分比 | 1.05 | 。31 | 0.95 - -1.16 |
11个州和哥伦比亚特区按县划分的推特指数。TIV:推文索引值。
通过推特索引值的社区特征。
社区的特征 | TIV一个1b | TIV2b | TIV3c | TIV3: TIV1 |
|
|
平均每10万名儿童中有12所K12学校 | 199 | 289 | 212 | 1.07 | 0.19 | 04 |
博物馆率,平均值d | 17 | 33 | 20. | 1.18 | 0.20 | .002 |
公园占用面积百分比,平均值 | 9 | 9 | 10 | 1.11 | 0.04 | 报 |
礼拜场所,卑鄙d | 104 | 177 | 93 | 0.89 | 0.16 | . 01 |
空置房屋率,平均值d、e | 6 | 17 | 7 | 1.17 | 0.16 | . 01 |
自有住房率,平均值d、e | 26 | 29 | 25 | 0.96 | 0.08 | . 21 |
活跃选民百分比,平均值 | 76 | 72 | 74 | 0.97 | -0.15 | 02 |
心理保健提供者比率,平均值d | 209 | 157 | 293 | 1.40 | 0.09 | 只要 |
非营利组织(所有)的比率,平均值d | 412 | 527 | 579 | 1.41 | 0.23 | <措施 |
非营利组织(卫生)率,平均值d | 70 | 91 | 84 | 1.20 | 0.15 | .017 |
非营利组织(人力服务)比率,平均值d | 147 | 184 | 195 | 1.33 | 0.23 | <措施 |
非营利组织(公共或社会利益)比率,平均值d | 41 | 50 | 80 | 1.95 | 0.24 | <措施 |
非营利(宗教)率,平均值d | 12 | 14 | 17 | 1.42 | 0.13 | .04点 |
非营利(教育)率,平均值d | 76 | 85 | 97 | 1.28 | 0.13 | .04点 |
一个TIV:推文索引值。
bUndertweeting。
cOvertweeting。
d每10万人的发病率。
e数值以千为单位。
之前大多数关于使用Twitter联系抑郁症的研究都集中在人际变量上。这项关注社区因素的研究对文献有独特的贡献。在这项研究中,发现了三个积极的、具有统计学意义的关联,可以预测抑郁症相关人群的推文数量,包括女性百分比、15-44岁人口百分比和单人家庭百分比。这些发现与其他研究相一致,这些研究表明,女性和单身家庭的抑郁症发病率更高[
虽然我们发现了一些显著的关联,但一些预期的推文数量预测因素并未得到证实。低于贫困线的比例和白人比例与推文数量没有显著关联。我们对地区层面贫困的微不足道的发现与一些已发表的显示贫困和抑郁之间关联的数据形成了鲜明对比[
在研究与推特过度或推特不足相关的社区特征时,K12学校、博物馆、礼拜场所、空置住房率和卫生非营利组织的比例都显示出了显著的下降
本文通过探索和提供与人们转向基于web的社区来联系抑郁症相关的社区特征相关的信息,扩展了与Twitter有关的抑郁症文献。在这项研究之前,关于抑郁症与推特相关的文献主要包括如何根据推文来解释抑郁症,以及人们为什么在推特上谈论他们的心理健康问题,比如抑郁症。研究结果表明,Twitter等基于网络的平台在讨论心理健康问题方面产生了积极影响,但也指出了社交媒体的使用及其不良后果,包括抑郁症状的增加。人们所处的环境对他们的心理健康状况有很大影响,但这一点常常被忽视。
我们的研究有几个局限性。首先,未来的研究可以将研究区域扩大到美国东北部以外。从Park等人2013年在韩国的研究中可以看出,来自世界各地的人们使用Twitter来寻求联系,因此了解他们的物理社区也可以帮助我们深入了解研究问题。未来的研究还可能扩大收集推文的时间框架。增加捕获数据的时间框架将使本文具有更大的人群有效性,并允许推断邻里变化与抑郁症之间的关系。由于我们有限的时空范围和NCapture的使用,我们的样本量比最初预期的要小,因此提出了泛化问题。此外,我们使用地理标记位置来描述Twitter用户的社区特征;这部分限制了我们的样本,并可能引入误差。地理标签可能不能代表Twitter用户的社区;相反,它们可以表明用户暂时旅行的地方。 Additionally, we used counties as a proxy for “community” since existing community-level data is often reported at the county level. In the future, we suggest a smaller geographic scale such as a city or town because these units are usually more representative of a person’s community.
我们的研究是第一个探索建筑和社会环境对使用Twitter联系抑郁症的贡献的研究之一。推特过多或过少的社区更有可能拥有更低的K12学校、博物馆、礼拜场所、空置住房率和健康非营利组织。这些社区也可能有更高的活跃选民率。在我们的研究中,特别明显的是,非营利组织比例较高的社区显示出高于预期的推文水平——这表明缺乏社区投资可能会影响基于网络的连接寻求。城市规划工作可以有效地促进便利设施,以加强社会互动,减少隔离,从而最终为抑郁症提供社会支持。
用于灵敏度分析的表。
研究区域各县的描述性统计。
事故率
推文索引值
这项研究由密歇根州立大学的教务长本科生研究计划资助。我们要感谢Josh Vertalka, Katherine Bogen, Heather McCauley和Amanda Rzotkiewicz对研究过程的贡献。
没有宣布。