ePatients on YouTube: Analysis of Four Experiences From the Patients' Perspective
Notice bibliographique
Résumé
BACKGROUND: Many patients share their personal experiences and opinions using online video platforms. These videos are watched by millions of health consumers and health care professionals. Although it has become a popular phenomenon, little is known about patients who share videos online and why they do so. OBJECTIVE: We aimed to explore the motivations and challenges faced by patients who share videos about their health and experiences on YouTube. As part of a conference discussion, we asked several patients actively engaged on YouTube to make a video explaining their motivations. This paper discusses these videos. METHODS: In this qualitative study, we performed an analysis of the videos created by 4 patients about their self-reported motivations and challenges they face as YouTube users. First, two judges compared the transcriptions and decided the exact wording when confusing content was found. Second, two judges categorized the content of the videos to identify the major themes. RESULTS: four main categories emerged: (1) the origin or cause for making the first video, (2) the objectives that they achieve by continuing to make videos, (3) the perception of community, and (4) the negative consequences of the experience. CONCLUSIONS: The main reason for making videos was to bridge the gap between traditional health information about their diseases and everyday life. The first consequence of sharing their life on YouTube was a loss of privacy. However, they also experienced the positive effects of expressing their feelings, being part of a large community of peers, and helping others to deal with a chronic condition.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,004 | 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 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 ».