厦门免费医学论文发表-探索信息技术 （IT） 专业人员的心理健康素养：Twitter 内容分析

埃德林·加西亚·科拉托 ，杨高，凯瑟琳·舍伍德-劳克林，朱宏毅，周安琪，萨加尔·萨姆塔尼，刘念军，乔纳森·梅西

抽象

心理健康素养主要是通过小插曲和调查来研究的。在自然环境中捕捉心理健康素养维度的现实是迈向心理健康素养更具可作性的阶段的重要一步。本研究旨在确定特定于信息技术专业人员的心理健康相关推文中反映的四个心理健康素养维度的频率模式。从 2018 年 10 月到 2022 年 10 月，从 15,782 条推文收集自信息技术特定帐户。内容分析，特别是多类文本分类方法，用于分析和解释推文，并根据心理健康素养结构将它们分类为主题。关于“关于危险因素和原因、自我治疗/干预措施和可用专业帮助的知识和信念”的推文是最常见的（n = 6,179），关于“识别特定疾病的能力”的推文（n = 196）是最不常见的。在 X（以前称为 Twitter）上分享内容的便利性可以通过有针对性的教育材料来提高心理健康意识，了解如何识别特定疾病、寻求帮助，从而改善心理健康。将心理健康素养信息与信息技术部门成熟组织共享的内容相结合，有助于提高信息技术专业人员的心理健康素养。

作者总结

心理健康素养由安东尼·乔姆 （Anthony Jorm） 于 1997 年首次提出。该术语包括四个关键领域，即对心理健康的整体理解。根据调查数据，我们知道，不同群体对心理健康的理解程度各不相同。然而，我们还没有一种评估自然界心理健康素养的方法。在这里，我们采取了跨学科的方法，并使用内容分析来测试我们是否可以将推文映射到心理健康素养的四个维度。我们发现大多数推文都是关于了解心理健康风险因素和原因、自我治疗以及在哪里寻求帮助。然而，促进认可和适当寻求帮助的态度由推文所代表的要少得多。通过与知名、值得信赖的组织合作，我们可以分享有用的信息，以提高专业人士之间的心理健康知识。我们的研究提供了新的见解，说明在试图提高心理健康素养时，哪些心理健康素养领域（识别特定疾病的能力）需要更直接的关注。

数字

Table 3Table 4Fig 2Fig 1Table 1Table 2Table 3Table 4Fig 2Fig 1Table 1Table 2

引文： Garcia Colato E、Gao Y、Sherwood-Laughlin CM、Zhu H、Chow A、Samtani S 等人（2025 年）探索信息技术 （IT） 专业人员的心理健康素养：Twitter 内容分析。PLOS 数字健康 4（11）： 电子0001078号。 https://doi.org/10.1371/journal.pdig.0001078

编辑 器： Arkaprabha Sau，印度政府劳动和就业部工厂咨询服务总局和劳工研究所 （DGFASLI） 区域劳工研究所

收到： 2025 年 4 月 18 日; 接受： 2025 年 10 月 20 日; 发表： 11月 6， 2025

版权所有： © 2025 Garcia Colato 等人。这是一篇根据知识共享署名许可条款分发的开放获取文章，允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。

数据可用性： 所有相关数据都在稿件中。及其支持信息文件。

资金： 作者没有获得这项工作的具体资金。

利益争夺： 提交人声明不存在竞争利益。

介绍

1997年，澳大利亚心理学教授安东尼·乔姆（Anthony Jorm）创造了“心理健康素养”一词（MHL;[1]）。MHL源自健康素养的更大总称，其定义是发现、理解和使用健康相关信息及其服务[2]。MHL的第一个定义只是“对精神障碍的认识和信念，有助于识别、管理或预防精神障碍”[1]。MHL 的修订定义包括四个主要维度：“识别特定疾病的能力;知道如何寻求心理健康信息;了解风险因素和原因、自我治疗以及可用的专业帮助;以及促进认可和适当寻求帮助的态度“[1]。MHL 是 Jorm 创建的改善心理健康的概念框架的第一步 [3]。

成人心理健康素养评估

自问世以来，MHL的评估方法包括国际疾病分类（International Classification of Diseases， ICD-10）和精神疾病诊断与统计手册（Diagnostic and Statistical Manual of Mental Disorders， DSM-IV）[1]中描述的抑郁和精神分裂症症状。小插图是近二十年来使用的主要工具，默认成为MHL的主要评估工具[4]。小插曲由描述一个人出现特定精神障碍症状的场景组成，例如抑郁、焦虑或精神分裂症[5]。根据小插图的回答选项，被要求受访者以开放式方式说明小插图中描述的条件，或者从选项列表中选择他们认为是正确答案的内容 [5]。在对现有小插曲的心理测量特性日益关注之后，新的MHL测量仪器被创造出来[6\u20128]。MHL现在也通过基于量表的评估工具进行评估，如心理健康素养量表（mental health literacy scale， MHLS）[7]、常规心理健康素养问卷[9]、18-25岁成人简短版（MHLq-SVa）[10]、针对医护人员和学生的扩展版[11]，以及专门针对大学生的问卷[12,13].所有基于尺度的测量仪器都要求受访者从他们的记忆和知识中回忆起MHL信息，而不是从实时观察中回忆起来。自然世界知识交流可以来自社交网站，例如 X（以前称为 Twitter）。这从之前的研究中可以看出，这些研究探索了此类数据的提取，并基于霍奇金淋巴瘤的九个属性对其进行了表征[14]。尽管 Twitter 的受欢迎程度一直在下降，但公开分享文本和事件后立即讨论是其他社交网站的一个关键特征。因此，有可能将这些发现转化为其他平台。截至 2023 年 7 月，Twitter 更名为 X;但是，在本文中，我们将继续将该公司称为 Twitter，将其内容称为推文，因为这些数据是在公司品牌重塑之前收集的。据我们所知，使用社交网站捕捉现实世界的MHL（特别是对于特定行业，例如信息技术）的阐述非常有限，并且仅限于使用Twitter数据研究MHL结构之间的因果关系[15]。

通过Twitter等社交媒体平台进行心理健康对话因其治疗益处而受到关注[16]。信息和支持的交流在 Twitter 上很普遍。2011年5月11日首次发现通过Twitter标签 #healthliteracy 明确关注健康素养[17]，其使用越来越多凸显了人们对该主题的兴趣。一项针对Twitter上发布的抑郁症和精神分裂症内容的探索性研究发现，大多数针对抑郁症的消息都集中在服务或产品的资源或广告上[18]。另一方面，对于精神分裂症，内容包括提高对研究的认识和传播[18]。

目的和研究问题

在自然环境中捕捉 MHL 尺寸的现实是迈向 MHL 更可作阶段的重要一步。据我们所知，没有研究专注于将社交媒体内容映射到四个主要的 MHL 维度，以确定哪些维度在这些公共社交媒体空间（例如 Twitter）中最突出。这项研究使用了称为推文的 Twitter 数据，并以以下研究问题为指导：特定于 IT 专业人员的心理健康相关推文中反映的四个 MHL 维度的频率模式是什么？

这项研究专门设计用于关注 IT 专业背景下的 Twitter，主要有两个原因。首先，Twitter 当时是男性专业人士表达感受的主要社交媒体场所。推文，也称为微博，对于想要分享信息而不与特定人进行直接对话的个人来说尤其有价值[19]。其次，MHL可以像其他健康促进话题一样在社交媒体平台上轻松传播[20]。众所周知，IT 专业人员使用 Twitter 来共享信息，这使得 Twitter 成为探索他们表达 MHL 内容的可行来源。此外，主要的社交媒体平台可以覆盖大量受众，使其成为传播MHL内容和加大改进MHL力度的理想选择[21]。关于IT专业人员经历倦怠的报道很多[22\u201224]，这表明对心理健康相关资源和信息的需求，但IT行业对MHL的研究不足，尤其是在美国。

我们假设大多数推文将映射到对精神障碍的识别、自我治疗的知识以及促进认可和适当寻求帮助的态度，因为这些推文将主要来自 IT 心理健康倡导团体和专注于心理健康、压力、焦虑、抑郁和倦怠的推文。过去的文献发现，至少对于抑郁症来说，社交媒体上分享的内容侧重于分享有助于促进识别和寻求帮助的资源[18]。然而，只有少数（如果有的话）推文会侧重于风险因素和原因的知识以及如何寻求心理健康信息。

方法和材料

定性方法和研究范式

本研究的目的是分析和解释 Twitter 文本内容（以下简称“推文”），并根据 MHL 结构将其分类为主题。为了实现这一目标，选择内容分析作为本研究的定性方法。相关的研究范式是解释主义，因为我们试图了解 IT Twitter 用户如何表达他们对心理健康的理解，因为它与 MHL 结构的四个维度相关。

上下文。

Twitter（现称为X）成立于2006年，是一个拥有超过2.2亿活跃用户的社交媒体平台[25\u201226]。Twitter被选为感兴趣的社交媒体平台，因为在收集数据时，它以前被认为是个人可以放心地用来交流心理健康讨论的空间[16]。感兴趣的人群，即IT专业人员，广泛使用Twitter来分享内容、资源和材料，供其他专业人士考虑。越来越多的IT专业人员报告网络攻击（例如，早期预警）、共享适当的资源以及为自己请求心理健康支持（直接或通过朋友）使用Twitter。图1显示了此类帖子的一个示例。

缩略图下载：

PPT的PowerPoint 幻灯片

巴布亚新几内亚大图

蒂夫原图

图 1. 显示 MHL 内容维度的推文屏幕截图示例。

https://doi.org/10.1371/journal.pdig.0001078.g001

抽样策略。

2018 年 10 月至 2022 年 10 月期间的推文是根据专注于 IT 专业人员心理健康意识的已知帐户的来源日期选择的。选择 2022 年 10 月的结束日期是为了提供总共四年的内容覆盖，包括 COVID-19 大流行高峰期之前、期间和之后的时间。决定何时不需要进一步抽样的标准基于与所选数据范围的关键字搜索匹配的数据可用性，这将在下面的数据收集方法部分进一步阐述。

与人类受试者有关的伦理问题。

尽管近年来 API 访问受到限制，但推文仍然是公开可用的数据。虽然公共数据不需要知情同意，但所有数据都受到与私人数据相同的道德关怀。为了符合印第安纳大学 （IU） 人类研究保护计划 （IRB） 规定的豁免研究的资格，发布推文的个人和团体的用户名和个人身份信息 （PII） 已被编辑。由于这个话题的敏感性是关于心理健康的，研究团队格外小心，确保即使是推文中提到的姓名、用户名或其他 PII 也被编辑以增加机密性。这项研究（方案 #18254）被 IU 的 IRB 批准为一项豁免研究。结果仅以汇总形式报告。

数据收集方法

Twitter 数据，特别是推文和对推文的回复，是通过 Twitter 的应用程序接口 （API） 收集的，从 2018 年 10 月到 2022 年 10 月。用于收集的 API 是经批准的学术级开发人员访问权限（并且在执行初始分析时可以访问）。我们使用两种策略来执行数据收集，以进行拟议的内容分析：基于帐户的搜索和基于关键字的搜索。在基于帐户的搜索中，我们咨询了在该行业拥有三十多年经验的 IT 专业人士，以确定三个面向 IT 专业人员的心理健康意识帐户。然而，在 2023 年初收集数据时，两个已识别的帐户已被删除或停用。其余帐户包含 1,358 条推文。在我们的第二个策略中，我们试图利用基于关键字的方法来更广泛地了解 IT 专业人员之间一般心理健康讨论。特别是，我们在 Twitter API 中输入了几个关键字组合来检索推文。检索包括以下关键词组合：2018 年 10 月至 2022 年 10 月日期范围内的 [IT 专业人员或 IT 行业或网络安全或网络安全] 和 [焦虑或抑郁或抑郁或心理健康或倦怠]。数据收集总共包含 n = 15,782 条公开推文和四年内发布的转发推文。

学习单元。

使用基于以下字段（表 1）的预选元数据检索推文：id、created_at、language、referenced_tweets、retweet_count、reply_count、like_count、quote_count。尽管分析的数据没有保留 Twitter 用户名信息，但识别字段被保留，因为它由请求推文的唯一标识符组成，以帮助检索特定推文。拥有这个唯一标识符还有助于识别可能根据关键字选择多次检索的推文。这允许删除重复项。为了按时间绘制推文的分布情况，保留了“created_at”字段（即推文创建时间戳）。分析仅限于纯英文推文，以控制范围并帮助促进结果的更好可解释性。

缩略图下载：

PPT的PowerPoint 幻灯片

巴布亚新几内亚大图

蒂夫原图

表 1. Twitter 数据字段类型、描述和可能的用法。

https://doi.org/10.1371/journal.pdig.0001078.t001

数据预处理和分析。

选择多类文本分类方法，根据每条推文的内容自动将每条推文专门分类为MHL类别。多类文本分类是机器学习和深度学习文献中一种行之有效的方法，并已广泛应用于心理健康应用[27]。与这种方法相比，手动内容分析（涉及手动将每条推文分配到一个 MHL 类别）在处理大量推文时效率较低，既耗时又容易出错。多类文本分类通过几个步骤进行作。首先，开发了一个黄金标准数据集，用于捕获并表示数据点（例如推文）可以归类的不同类别。其次，从每个数据点中提取特征或嵌入（即向量表示）。第三，将特征或嵌入（在本例中为推文）输入到机器学习或深度学习模型中，这些模型使用对开发的黄金标准数据集进行十倍交叉验证或保留抽样等策略进行训练。第四，根据准确性、精确度、召回率和/或 F1 分数等成熟的指标评估模型性能。最后，将性能最佳的模型（即推理阶段）应用于看不见的数据，以预测每个数据点或将其分类为预定义的类别之一。

为了促进所提出的多类文本分类分析，我们需要首先开发一个黄金标准数据集来训练每个机器学习或深度学习分类器。因此，我们开发了一个黄金标准数据集，其中包含 MHL 结构的四个维度的 790 条推文。数据首先由两名具有十多年心理健康经验的认证心理健康急救员 （MHFA） 使用带有以下标签的预先建立的密码本进行独立标记：0 = 识别特定疾病的能力 （n = 46）;1 = 促进认可和适当寻求帮助的态度 （n = 104）;2 = 有关风险因素和原因、自我治疗/干预措施以及可用专业帮助的知识和信念 （n = 98）;3 = 了解如何寻求心理健康信息的知识 （n = 55），以及;4 = 不相关 （n = 487）。不相关的推文的一个示例是包含主题标签 #depression 但该推文是图像或其他多媒体的推文，该推文不是文本，因此无法分析内容与 MHL 的相关性。考虑到推文的长度（240 个字符），我们将每条推文仅归入一个类别（即 MHL 维度）。预先确定的可接受性阈值设置为0.80-1，这代表了几乎完美的可靠性[28,29]。作者 1 和 4 会面讨论并解决标签 （n = 71） 中的差异，最初达成了 91% 的一致性。由于某些推文的内容涵盖多个 MHL 维度，因此发现了编码差异。作者 6 经 MHFA 认证，审查了最终协议代码。表 2 显示了按 MHL 结构标记的推文样本。

缩略图下载：

PPT的PowerPoint 幻灯片

巴布亚新几内亚大图

蒂夫原图

表 2. 按标签类型列出标签、代码和示例推文。

https://doi.org/10.1371/journal.pdig.0001078.t002

在黄金标准数据集构建之后，我们对所有收集到的推文进行了预处理，以帮助规范任何不一致之处并删除错误内容。我们的预处理管道包括根据推文的空白对推文进行标记化（例如，“心理健康”将变成两个标记，“心理”和“健康”），小写标记，将标记词干为其根形式（例如，“computer”到“compute”），以及删除对推文内容添加很少语义的停用词（例如，“a”、“that”、“the”等）。以这种方式预处理推文以进行多类文本分类是社交媒体分析文献中普遍接受的做法[27]。

模型训练需要从每条推文中提取特征或嵌入。我们没有采用手动特征工程工作（通常耗时、临时和/或容易出错），而是使用基于双向编码器表示来自Transformers（BERT）的嵌入为每条推文生成嵌入，以矢量化推文[30]。BERT是一种从文本数据中提取嵌入的最先进的方法[30]。然后将嵌入输入到文本分类模型中。为了确保对模型性能的全面概述，我们采用了过去心理健康文献中常用的两大类文本分类模型[27]：经典机器学习和深度学习。经典机器学习模型的类别包括四个模型：逻辑回归 （LR）、随机森林 （RF）、内核最近邻 （KNN）、支持向量机 （SVM）。我们的深度学习模型类别包括四个模型：长短期记忆（LSTM）、双向长短期记忆（BiLSTM）、门控循环单元（GRU）和卷积神经网络（CNN）。

对于训练程序，使用了 10 倍交叉验证。性能指标包括准确性、精确度、召回率和 F1 分数。每个指标在其配方中使用真阳性 （TP）、假阳性 （FP）、真阴性 （TN） 和/或假阴性 （FN） 率的组合。这些计算的具体公式如下[31]：

每个指标都会产生一个介于 0 和 1 之间的标量值。性能值越高表示性能越强。由于黄金标准数据集是不平衡的（即，与其他类别相比，一个类别中的数据实例明显更多），F1分数是评估整体性能的最佳指标[32]。我们还计算了接收者工作特征曲线下面积 （AUROC） 作为计算 ROC 曲线积分的附加指标。鉴于通常可用于调整机器学习模型的超参数范围，我们使用网格搜索方法来识别获得最佳性能的模型配置。所有实现均使用 Python 编程语言执行。经典的机器学习模型是使用scikit-learn包实现的[33]。深度学习模型是使用Keras实现的[34]。所有训练和测试过程均在IU的Big Red 200超级计算机上进行[35]。

结果

在本节中，我们介绍了两组结果。第一组结果报告了训练的分类器的性能。在第二组结果中，我们报告了通过将训练好的分类器应用于更大的推文集合而获得的结果。

分类器性能

在本小节中，我们将介绍每个分类器的性能。在表 3 中，我们按模型类型（经典机器学习与深度学习）报告了每个指标。最佳性能由粗体字体表示。

缩略图下载：

PPT的PowerPoint 幻灯片

巴布亚新几内亚大图

蒂夫原图

表 3. 性能指标的分类模型和相应结果。

https://doi.org/10.1371/journal.pdig.0001078.t003

总体而言，经典机器学习方法的 F1 得分在 62.79% 和 71.10% 之间。SVM 是性能最好的经典机器学习模型，F1 得分为 71.10%。深度学习模型表现出类似的变异性，模型产生的 F1 分数在 61.62% 和 73.55% 之间。就 F1 分数而言，表现最好的深度学习模型是 LSTM （73.55%）。这一性能略高于 SVM 的性能。这种性能可归因于几个因素，包括推文的长度（往往比其他健康文件短，例如电子健康记录）以及黄金标准数据集的大小和不平衡性质，以及内容跨越多个 MHL 维度的推文。未来的研究可以检查多标签分类（即将一条推文分配给多个类别）。检查更高级机器学习范式（例如知识蒸馏、迁移学习）的其他研究可能有望帮助提高模型性能。

分类推文。

在模型训练和测试之后，我们将分类器应用于收集的整组推文，为每条推文分配一个标签。传统上，性能最佳的分类器应用于更大的数据语料库以分配标签（即执行推理）。在这项针对我们数据集的研究中，LSTM 是性能最佳的分类器（在跟踪的性能指标中始终如一），因此用于推理。结果的总体分类见表4。我们的黄金标准数据集中的推文数量未包含在表中报告的总数中。

缩略图下载：

PPT的PowerPoint 幻灯片

巴布亚新几内亚大图

蒂夫原图

表 4. 每个 MHL 构建体标签和不相关的推文计数 （n = 14,992）。

https://doi.org/10.1371/journal.pdig.0001078.t004

总体而言，在相关推文总数 （n = 13,617） 中，“关于风险因素和原因、自我治疗/干预措施和可用专业帮助的知识和信念”的 MHL 维度的推文最多 （n = 6,179）。这表明许多推文表明，IT 专业人士社区对导致抑郁或焦虑等心理健康问题的工作和活动类型有了解和/或信念。“了解如何寻求心理健康信息的知识”类别的推文数量第二多。这表明 IT 专业社区对如何确定可能的资源来支持可能有心理健康问题的个人有一些了解。同样，这也表明 IT 专业人员正在积极寻找支持其心理健康的材料。“识别特定疾病的能力”和“促进识别和适当寻求帮助的态度”类别的推文数量分别最少 （n = 196） 和第二少 （n = 1,111）。这表明 IT 专业人士可能难以通过这个公共论坛识别自己或他人的心理健康障碍。

除了在汇总层面报告分类推文外，我们还试图根据我们收集的元数据以一种对 IT 专业社区具有实际实用性的方式组织分类结果。虽然一种理想的方法是根据推文的发帖者组织分类推文，但我们无法在分析中包含任何发帖者的名称。因此，我们试图以另一种方式呈现这些推文，即以时间的方式呈现这些推文。出于多种原因，这种特殊的演示可能对 IT 专业人员具有独特的价值。首先，IT 专业人员以“全天候”的方式实时工作。Twitter 的独特之处在于，推文的发布速度比其他社交媒体平台上的帖子要快得多 [36]。其次，鉴于该平台的优势，IT 专业人员消耗有关关键信息的知识，例如经常在 Twitter 上报告的网络攻击。最后，与此相关的是，有关如何解决通常源于网络攻击的问题（包括如何解决可能出现的一些心理健康问题）的知识通常会在活动结束后通过 Twitter 分享。出于这些原因，我们在图 2 中展示了分类推文随时间推移的结果。

thumbnail下载：

PPT的PowerPoint 幻灯片

巴布亚新几内亚大图

蒂夫原图

图2. MHL Construct 上推文的预测标签 （10/18 - 10/22）。

https://doi.org/10.1371/journal.pdig.0001078.g002

我们从 2018 年 10 月到 2022 年 10 月每月可视化结果。这些结果表明，在 IT 专业人士在 Twitter 上公开讨论的四种结构中，专注于“识别特定疾病”和“促进识别和适当寻求帮助的态度”的内容始终是最不常见的 MHL 内容类型。另一方面，“关于自我风险因素和原因、治疗/自助干预、可用的专业人员帮助的知识和信念”和“关于如何寻求心理健康信息的知识”是最常讨论的两个，并且似乎不仅在整个选定的日期范围内都有峰值，尤其是在 2021 年底。

2019 年 2 月、2020 年 1 月、2020 年 5 月、2021 年 1 月、2021 年 10 月和 2022 年 5 月，所有四个类别的推文数量均有所增加（又称“峰值”）。“关于自我风险因素和原因、治疗/自助干预、可用的专业人士帮助的知识和信念”的最大峰值是在 2019 年 5 月，这是推文最多的类别。那段时间的推文流传着“压力、工作量和预算赤字不断增加，导致全球四分之一 #CISOs 遭受身体或心理健康问题”的消息。另一方面，总体涨幅最大的是 2021 年 10 月的“了解如何寻求心理健康信息的知识”类别。

讨论与结论

原则调查结果和影响

我们的研究对有关心理健康和 IT 专业人员的 Twitter 内容进行了分类，并评估了与 MHL 结构的四个主要维度相关的内容趋势。我们使用经典的机器学习和深度学习工具，将四年收集到的推文分类到 MHL 结构的四个成熟维度中。我们的研究结果强调，IT 专业人员中有关心理健康、抑郁、焦虑和倦怠的内容始终更多地关注 MHL 的两个领域 （1） 关于风险因素和原因、自我治疗/干预和可用专业帮助的知识和信念，以及 2） 关于如何寻求心理健康信息的知识），而较少关注其他两 （3） 识别特定疾病的能力和 4） 促进识别和适当寻求帮助的态度） MHL所有四年（2018 年 10 月至 2022 年 10 月）的维度。

有趣的是，在某些时间段（例如，2019 年 2 月、2020 年 1 月、2021 年 10 月、2022 年 5 月）代表所有四个类别的推文有所增加。对 2019 年 2 月高峰共享时间的进一步调查显示，IT 专业人员在 Twitter 上经常分享和转发的内容包括网络安全倦怠、如何识别体征和症状、如何降低风险、在哪里寻求帮助以及如何寻求信息。特别是描述倦怠、抑郁和焦虑以及风险警告的文章，描述了如何识别症状和寻求帮助，在整个2019年2月重新流传[37]。

2021 年 10 月，发现“如何寻求心理健康信息的知识”类别总体上出现了大幅峰值。这个结果并不奇怪，因为 10 月是网络安全意识月，而 10 月 10 日是网络安全意识月th是世界心理健康日。2021 年 10 月，一周内相继发表了两篇主要的行业文章，涵盖网络安全领域的心理健康。思科的文章题为“网络安全中的心理健康和倦怠：提示、故事和见解”于 2021 年 10 月 6 日发布，2021 年 10 月 19 日，DarkReading 发表了一篇题为“员工倦怠的酝酿网络安全风险”的文章——占 2021 年 10 月发布的 441 条推文和转发推文中的 300 多条。

在对心理健康和 IT 专业人员推文的多类文本分类分析中，最容易分享的内容类型的主题强调，IT 专业社区似乎热衷于接收来自 Cisco 和 DarkReading 等可信来源提供的有关心理健康的信息。根据转发的推文，IT 专业人士似乎也愿意与自己的关注者重新分享“心理健康和 IT 专业人员”的内容。特别是，与抑郁和焦虑的风险相比，共享的内容类型主要是关于倦怠。考虑到 IT 专业人员对主要专业组织的信任，可能会更多地推动这些广受推崇的来源制作面向 IT 社区的有效且可靠的 MHL 内容。此外，由于至少在这四年的时间段内，IT 专业人员之间共享的大多数收集到的心理健康内容都是关于“关于风险因素和原因、自我治疗/干预以及可用专业帮助的知识和信念”，这表明在线社区可能是未来共享此类信息的可行选择。尤其如此，因为 IT 专业人员不仅转发来自这些来源的内容，而且还愿意表达自己对已发布的有关风险因素、原因、自我治疗和干预措施的信息的想法和评论。

以前使用 Twitter 数据的心理健康研究主要集中在识别通过推文描述的精神疾病 [38]。然而，这项研究仔细研究了网上讨论 MHL 的哪些方面，特别是当它涉及在职 IT 专业人员关注的最普遍的心理健康状况（焦虑、抑郁和倦怠）时。通过了解 MHL 的哪些领域通过这个公共话语渠道覆盖最少，Twitter 上的心理健康意识账户可能有机会增加对 MHL 各个方面的有针对性的覆盖。

局限性

必须注意一些限制。首先，收集的数据不包括用户名，使我们无法破译有多少推文来自同一帐户。由于没有用户名，我们也无法根据哪些帐户从原始推文转发以及彼此转发来识别推文之间的关系。然而，选择的心理健康主题意味着可能从推文中收集了一些敏感信息。信息的敏感性使得必须编辑任何可识别信息以保护发布推文的用户，即使这些内容是公开的。这确保了当有人描述某种病症时的匿名性，例如，无论是他们自己的体征和症状还是认识的人的体征和症状。其次，尽管在四年期间收集的所有推文都符合指定的帐户类型和/或关键字搜索标准，并已映射到 MHL 维度，但内容本身并未评估准确性或可靠性。换句话说，可能会分享有关风险因素和原因的内容，这些内容是错误信息，需要通过更可作的 MHL 材料进行纠正。由于 Twitter 是一个公共平台，有兴趣进入 IT 行业的人将可以访问这些内容，这可能会影响他们对风险因素的看法。例如，MHL 类别、关于风险因素和原因的知识和信念、自我治疗/干预以及可用的专业帮助，不区分知识和信念是否基于事实。尤其是这个 MHL 类别最容易出现错误信息，并且将受益于进一步探索以识别个人帐户中的潜在偏见。最后，推文有时可以涵盖预测模型未捕获的 MHL 的多个维度。相反，推文是根据与推文中发现的大多数信息最相关的维度进行分组的。未来的研究可以进一步探索多标签多分类方法。

对公共卫生的影响

利用在Twitter上分享内容的便利性来提高心理健康意识，并提供更有针对性的教育材料，了解如何识别特定疾病，可以引导人们获得相关的寻求帮助的资源，从而有助于改善心理健康。特别是随着社交媒体继续被用作传播健康信息的策略[39]。在围绕心理健康话题仍然存在耻辱感的环境中[40]，确定向更多受众分享MHL内容的方法对于增加采取行动并寻求所需服务的人数至关重要。通过将MHL信息与IT行业知名组织共享的内容相结合，可以实现一种更容易被接受的获得MHL的方式。

这些发现可用于为组织开展有针对性的 MHL 活动和培训提供信息。例如，与其他四个维度相比，关于识别精神障碍的能力分享的内容较少的新主题是一个机会，可以提供以道德和尊重的方式识别早期预警信号的培训。因此，提高对症状的认识和自我识别的影响可以转化为减少耻辱感、增加早期寻求帮助以及提高员工保留率和士气。

引用

1.Jorm AF、Korten AE、Jacomb PA、Christensen H、Rodgers B、Pollitt P. “心理健康素养”：对公众识别精神障碍的能力及其对治疗有效性的看法的调查。医学杂志澳大利亚 1997 年;166(4):182–6.PMID：9066546

查看文章考研/NCBI谷歌学术

2.卫生资源和服务管理局。2022 年健康素养。访问日期：2025 年 5 月 27 日 https://www.hrsa.gov/about/organization/bureaus/ohe/health-literacy

查看文章谷歌学术

3.约姆·我们需要从“心理健康素养”转向“心理健康行动”。心理健康和预防。2020;18:200179.

查看文章谷歌学术

4.约姆 AF。心理健康素养的概念。政策出版社;2019.

5.Sai G， Furnham A. 使用小插曲识别抑郁症和精神分裂症：方法论说明。精神病学研究 2013 年;210(1):357–62.PMID：23712044

查看文章考研/NCBI谷歌学术

6.斯派克 DA，锤子 JH。心理健康素养作为理论：当前的挑战和未来的方向。J Ment Health。2019;28(3):238–42.PMID：29436864

查看文章考研/NCBI谷歌学术

7.奥康纳 M，凯西 L.心理健康素养量表 （MHLS）：一种新的基于量表的心理健康素养衡量标准。精神病学研究 2015 年;229(1–2):511–6.PMID：26228163

查看文章考研/NCBI谷歌学术

8.Kutcher S、Wei Y、Coniglio C. 心理健康素养：过去、现在和未来。可以 J 精神病学。2016;61(3):154–8.PMID：27254090

查看文章考研/NCBI谷歌学术

9.Dias P、Campos L、Almeida H、Palha F. 年轻人的心理健康素养：心理健康素养问卷的适应和心理测量特性。国际环境研究公共卫生杂志。2018;15(7):1318.PMID：29937509

查看文章考研/NCBI谷歌学术

10.坎波斯 L、迪亚斯 P、科斯塔 M、拉宾 L、迈尔斯 R、莱斯塔里 S 等。成人心理健康素养问卷简短版（MHLq-SVa）：在中国、印度、印度尼西亚、葡萄牙、泰国和美国进行验证研究。BMC 精神病学。2022;22(1):713.PMID：36384505

查看文章考研/NCBI谷歌学术

11.赵 H-J、连 Y-J、Kao Y-C、Tasi I-C、Lin H-S、Lien Y-Y.医疗保健学生的心理健康素养：心理健康素养量表的扩展。国际环境研究公共卫生杂志。2020;17(3):948.PMID：32033015

查看文章考研/NCBI谷歌学术

12.蒙塔尼 I，冈萨雷斯·卡巴列罗 JL。法国大学生心理健康素养量表的验证。Behav Sci（巴塞尔）。2022;12(8):259.PMID：36004830

查看文章考研/NCBI谷歌学术

13.拉宾 LA、迈尔斯 RT、卡玛塔 A、克里希南 A、埃尔布洛克-查卡普 M、斯图尔特 G 等。大学生多项选择心理健康素养评估 （MHLA-c） 的三种形式的开发、项目分析以及初始信度和效度。精神病学研究 2021;300：113897。PMID：33887516

查看文章考研/NCBI谷歌学术

14.Siddiqui ZA、Pathan M、Nduaguba S、LeMasters T、Scott VG、Sambamoorthi U 等。利用社交媒体数据研究霍奇金淋巴瘤的疾病和治疗特征 使用自然语言处理方法。PLOS 数字健康。2025;4（3）：e0000765。PMID：40106471

查看文章考研/NCBI谷歌学术

15.Lien YJ、Feng HP、Chen CH、Tseng YH、Tseng WH。通过 Twitter 内容探索心理健康素养的因果关系：机器学习方法。欧洲精神病学。2024;：S112–3。

查看文章谷歌学术

16.Berry N、Lobban F、Belousov M、Emsley R、Nenadic G、Bucci S. #WhyWeTweetMH：了解人们为什么使用 Twitter 讨论心理健康问题。J Med 互联网研究 2017;19（4）：e107。PMID：28381392

查看文章考研/NCBI谷歌学术

17.索伦森 K.后事实世界中对“健康 Twitteracy”的需求。健康照明研究实践。2017;1（2）：e86–9。PMID：31294253

查看文章考研/NCBI谷歌学术

18.新泽西州里夫利，皮尔金顿警察局。使用 Twitter 监测对抑郁症和精神分裂症的态度：一项探索性研究。同行J.2014;2：e647。PMID：25374786

查看文章考研/NCBI谷歌学术

19.Buechel EC、Berger J. 微博和无向交流的价值。2018 年消费心理学杂志;28(1):40–55.

查看文章谷歌学术

20.Kordzadeh N. 通过 Twitter 进行健康促进：美国三个医疗中心的案例研究。国际健康促进 2022;37（2）:d aab126。PMID：34379755

查看文章考研/NCBI谷歌学术

21.夏尔马 MK、阿南德 N、维什瓦卡玛 A、萨胡 M、塔库尔 PC、蒙达尔 I 等。心理健康问题在谣言中介社交媒体的使用：对基于媒体的心理健康素养的影响。亚洲精神病学杂志。2020;53:102132.PMID：32474344

查看文章考研/NCBI谷歌学术

22.Nexustek。识别并预防 IT 员工倦怠。2023. 访问日期：2025 年 5 月 27 日 https://www.nexustek.com/blog/recognizing-and-preventing-it-employee-burnout/

查看文章谷歌学术

23.IT 专业人员遭受倦怠的 5 个原因（以及自己避免这种情况的提示）。2021. 访问日期：2025 年 5 月 27 日 https://www.absoluteit.co.nz/2021/03/5-reasons-why-it-professionals-suffer-from-burnout-plus-tips-to-avoid-this-yourself/

查看文章谷歌学术

24.思科。网络安全中的心理健康和倦怠：提示、故事和见解。2021. 访问日期：2025 年 5 月 27 日 https://blogs.cisco.com/security/mental-health-burnout-in-cybersecurity-tips-stories-and-insights

查看文章谷歌学术

25.Lin Y. 10 每个营销人员在 2022 年都应该知道的 Twitter 统计数据。奥贝洛。2022. 访问日期：2025 年 5 月 27 日 https://www.oberlo.com/blog/twitter-statistics

查看文章谷歌学术

26.大英百科全书 E. 推特。https://www.britannicacom/topic/Twitter2023

查看文章谷歌学术

27.Skaik R， Inkpen D. 使用社交媒体进行心理健康监测。ACM 计算数据。2020;53(6):1–31.

查看文章谷歌学术

28.哈尔平 SN。定性编码中的编码者间协议：其使用的考虑因素。AM J 定性研究 2024;8(3):23–43.

查看文章谷歌学术

29.兰迪斯 JR，科赫 GG。分类数据观察者一致性的测量。 生物测定学。 1977; 33(1):159.

查看文章谷歌学术

30.Devlin J、Chang MW、Lee K、Toutanova K. BERT：用于语言理解的深度双向转换器的预训练。见：计算语言学协会北美分会：人类语言技术，2019 年。

31.模式识别和机器学习。施普林格; 2006.

32.Ampel BM， Samtani S， Zhu H， Chen H. 使用黑客利用标签创建主动网络威胁情报：深度迁移学习方法。MIS 季刊。 2024; 48(1):137–66.

查看文章谷歌学术

33.Pedregosa F、Varoquaux G、Gramfort A、Michel V、Thirion B、Grisel O. Scikit-learn：Python 中的机器学习。J Mach Learn Res. 2011 年; 12:2825–30.

查看文章谷歌学术

34.乔莱特·凯拉斯。2015. https://github.com/fchollet/keras

查看文章谷歌学术

35.大学信息技术服务。关于印第安纳大学的 Big Red 200。访问日期：2025 年 5 月 27 日 https://kb.iu.edu/d/brcc

查看文章谷歌学术

36.2025 年 Twitter 与其他社交媒体平台的比较：Twitter 的独特之处。2025. 访问日期：2025 年 5 月 27 日 https://globalgurus.org/twitter-vs-other-social-media-platforms-in-2025-what-makes-twitter-unique/

查看文章谷歌学术

37.舒勒 C.为什么网络安全倦怠是真实存在的（以及如何应对）。暗读。2019.

查看文章谷歌学术

38.Massell J、Lieb R、Meyer A、市长 E. COVID-19 之前和期间 Twitter 上心理状态的波动。公共科学图书馆一号。2022;17（12）：e0278018。PMID：36516149

查看文章考研/NCBI谷歌学术

39.巴兰 RV、法扎里 M、莱特富特 D、库西马诺医学博士。用于向医疗保健用户转化知识和传播临床神经科学信息的社交媒体策略：系统评价。PLOS 数字健康。 2025; 4（4）：e0000778。PMID：40198630

查看文章考研/NCBI谷歌学术

40.美国心理学会。美国人对心理健康变得更加开放。2019. 访问日期：2025 年 5 月 27 日 https://www.apa.org/news/press/releases/apa-mental-health-report.pdf

查看文章谷歌学术