Portrayal of electronic cigarettes on YouTube
Notice bibliographique
Résumé
BACKGROUND: As the most popular video sharing website in the world, YouTube has the potential to reach and influence a huge audience. This study aims to gain a systematic understanding of what e-cigarette messages people are being exposed to on YouTube by assessing the quantity, portrayal and reach of e-cigarette videos. METHODS: Researchers identified the top 20 search results on YouTube by relevance and view count for the following search terms: "electronic cigarettes", "e-cigarettes", "ecigarettes", "ecigs", "smoking electronic cigarettes", "smoking e-cigarettes", "smoking ecigarettes", "smoking ecigs". A sample of 196 unique videos was coded for overall portrayal and genre. Main topics covered in e-cigarette videos were recorded and video statistics and viewer demographic information were documented. RESULTS: Among the 196 unique videos, 94% (n = 185) were "pro" to e-cigarettes and 4% (n = 8) were neutral, while there were only 2% (n = 3) that were "anti" to e-cigarettes. The top 3 most prevalent genres of videos were advertisement, user sharing and product review. 84.3% of "pro" videos contained Web links for e-cigarette purchase. 71.4% of "pro" videos claimed that e-cigarettes were healthier than conventional cigarettes. Audience was primarily from the United States, the United Kingdom and Canada and "pro" e-cigarette videos were watched more frequently and rated much more favorably than "anti" ones. CONCLUSIONS: The vast majority of information on YouTube about e-cigarettes promoted their use and depicted the use of e-cigarettes as socially acceptable. It is critical to develop appropriate health campaigns to inform e-cigarette consumers of potential harms associated with e-cigarette use.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».