MétaCan
Menu
Retour à la cohorte
Enregistrement W166794816

eHealth promotion and social innovation with youth: using social and visual media to engage diverse communities.

2012· article· en· W166794816 sur OpenAlexaff
Cameron D. Norman, Andrea L. Yip

Notice bibliographique

RevuePubMed · 2012
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensPublic Health OntarioUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésSocial mediaeHealthHealth promotionPublic relationsPromotion (chess)LiteracyPresentation (obstetrics)Mental healthSociologyPsychologyPublic healthInternet privacyWorld Wide WebComputer sciencePolitical scienceMedicinePedagogyHealth careNursing
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Social media and the multimedia networks that they support provide a platform for engaging youth and young adults across diverse contexts in a manner that supports different forms of creative expression. Drawing on more than 15 years of experience using eHealth promotion strategies to youth engagement, the Youth Voices Research Group (YVRG) and its partners have created novel opportunities for young people to explore health topics ranging from tobacco use, food security, mental health, to navigation of health services. Through applying systems and design thinking, the YVRG approach to engaging youth will be presented using examples from its research and practice that combine social organizing with arts-informed methods for creative expression using information technology. This presentation focuses on the way in which the YVRG has introduced interactive blogging, photographic elicitation, and video documentaries, alongside real-world social action projects, to promote youth health and to assist in research and evaluation. Opportunities and barriers including literacy and access to technology are discussed and presented along with emerging areas of research including more effective use of smartphones and social networking platforms such as Twitter, Facebook, and YouTube in health promotion and public health.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,698
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,407
Tête enseignante GPT0,417
Écart entre enseignants0,010 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePubMedMême sujetSocial Media in Health EducationTravaux en français237 207