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 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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».