How are healthcare institutions using Facebook to interact with online communities? Results from a case study in Central Pennsylvania
Notice bibliographique
Résumé
Social media tools and applications are increasingly being integrated into modern medicine. However, little is known about how healthcare institutions are interacting online with their populations. In this case study, we identified a convenience sample of 11 institutions in Central Pennsylvania with Facebook Pages and evaluated their interactions with online communities. From May-June 2013, we noted type of healthcare institution (e.g. hospital, family practice); number of overall “likes” accrued by the healthcare facility; number of overall posts and “likes”, “comments”, and “content shares” associated with those posts; as well as number of location check-ins by “followers”. We thematically categorized each institutional post. Average number of Facebook Page “likes” was 2,261, and average number of overall posts was 28.9, or about one post every three days. On average, each post generated 16 “likes”, 1 comment, and 2.4 shares. Average number of location “check-ins” by visiting patients was 6,348. Most commonly published content across all Pages was advertisements (89%) and institutional news (89%). Patient populations in Central Pennsylvania are seeking out healthcare institutions on Facebook, although most communication appears unidirectional and involves institutional advertising and promotion. There are opportunities for institutions to focus on health promotion and undertake “social” preventive health strategies using social media.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».