Using Knowledge Translation to Craft “Sticky” Social Media Health Messages That Provoke Interest, Raise Awareness, Impart Knowledge, and Inspire Change
Notice bibliographique
Résumé
BACKGROUND: In Australia, there is growing use of technology supported knowledge translation (KT) strategies such as social media and mobile apps in health promotion and in Indigenous health. However, little is known about how individuals use technologies and the evidence base for the impact of these health interventions on health behavior change is meager. OBJECTIVE: The objective of our study was to examine how Facebook is used to promote health messages to Indigenous people and discuss how KT can support planning and implementing health messages to ensure chosen strategies are fit for the purpose and achieve impact. METHODS: A desktop audit of health promotion campaigns on smoking prevention and cessation for Australian Indigenous people using Facebook was conducted. RESULTS: Our audit identified 13 out of 21 eligible campaigns that used Facebook. Facebook pages with the highest number of likes (more than 5000) were linked to a website and to other social media applications and demonstrated stickiness characteristics by posting frequently (triggers and unexpected), recruiting sporting or public personalities to promote campaigns (social currency and public), recruiting Indigenous people from the local region (stories and emotion), and sharing stories and experiences based on real-life events (credible and practical value). CONCLUSIONS: KT planning may support campaigns to identify and select KT strategies that are best suited and well-aligned to the campaign's goals, messages, and target audiences. KT planning can also help mitigate unforeseen and expected risks, reduce unwarranted costs and expenses, achieve goals, and limit the peer pressure of using strategies that may not be fit for purpose. One of the main challenges in using KT systems and processes involves coming to an adequate conceptualization of the KT process itself.
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 | 0,016 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,007 |
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 ».