Social Media in Adolescent Health Literacy Education: A Pilot Study
Notice bibliographique
Résumé
BACKGROUND: While health literacy has gained notice on a global stage, the initial focus on seeking associations with medical conditions may have overlooked its impact across generations. Adolescent health literacy, specifically in dentistry, is an underexplored area despite the significance of this formative stage on an individual's approach to healthy lifestyles and behaviors. OBJECTIVE: The aim is to conduct a pilot study to evaluate the efficacy of three major social media outlets - Twitter, Facebook, and YouTube - in supporting adolescents' oral health literacy (OHL) education. METHODS: A random sample of 22 adolescents (aged 14-16 years) from an English-medium international school in Hong Kong provided informed consent. Sociodemographic information, including English language background, social media usage, and dental experience were collected via a questionnaire. A pre- and post-test of OHL (REALD-30) was administered by two trained, calibrated examiners. Following pre-test, participants were randomly assigned to one of three social media outlets: Twitter, Facebook, or YouTube. Participants received alerts posted daily for 5 consecutive days requiring online accessing of modified and original OHL education materials. One-way ANOVA ( analysis of variance) was used to compare the mean difference between the pre- and the post-test results among the three social media. RESULTS: No associations were found between the social media allocated and participants' sociodemographics, including English language background, social media usage, and dental experience. Of the three social media, significant differences in literacy assessment scores were evident for participants who received oral health education messages via Facebook (P=.02) and YouTube (P=.005). CONCLUSIONS: Based on the results of the pilot study, Facebook and YouTube may be more efficient media outlets for OHL promotion and education among adolescent school children when compared to Twitter. Further analyses with a larger study group is warranted.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».