Harnessing the Social Web for Health and Wellness: Issues for Research and Knowledge Translation
Notice bibliographique
Résumé
Social media is a powerful, rapid, and popular way of communication amongst people around the world. How can health professionals and patients use this strategy to achieve optimal disease management and prevention and attainment of wellness? An interdisciplinary group at University of British Columbia, supported by a grant from UBC Peter Wall Institute of Advanced Studies, conducted a research workshop in February 2013 to explore what is known and yet to be researched in using social media for nurturing the growth of virtual communities of people for health and wellness. This two and a half day workshop brought together a group of 30 multidisciplinary experts in closed discussions to reflect on five research themes in detail: (1) individual information acquisition and application, (2) community genesis and sustainability, (3) technological design issues, (4) knowledge management, dissemination, and renewal, and (5) research designs. In addition, a public forum for the general public, which attracted over 195 live participants, over 100 participants via Web casting, 1004 tweets, and 1,124,886 impressions following the #HCSMForum hash tag on Twitter, demonstrated the keen interest of the general public in this topic. Key concepts were captured in JMIR publications in this issue, and future directions, including research, knowledge translation approaches, and strategic partnerships of interdisciplinary researchers with policy makers and industries emerged from the workshop proceedings.
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 | 0,026 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,011 |
| Communication savante | 0,021 | 0,016 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,033 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
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 ».