MétaCan
Menu
Retour à la cohorte
Enregistrement W2559791434 · doi:10.2196/mhealth.6367

Evaluation of Diet-Related Infographics on Pinterest for Use of Behavior Change Theories: A Content Analysis

2016· article· en· W2559791434 sur OpenAlexvenueno aff
Jessica Wilkinson, Kate Strickling, Hannah Payne, Kayla C Jensen, Joshua H. West

Notice bibliographique

RevueJMIR mhealth and uhealth · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute for Occupational Safety and HealthCenters for Disease Control and Prevention
Mots-clésInfographicContent analysisBehavior changeBehaviour changePsychologyContent (measure theory)Applied psychologyComputer scienceMultimediaSocial psychologySociologyPsychological interventionData miningSocial scienceMathematics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: There is increasing interest in Pinterest as a method of disseminating health information. However, it is unclear whether the health information promoted on Pinterest is evidence-based or incorporates behavior change theory. OBJECTIVES: The objective of the study was to determine the presence of health behavior theory (HBT) constructs in pins found on Pinterest and assess the relationship between various pin characteristics and the likelihood of inclusion of HBT. METHODS: A content analysis was conducted on pins collected from Pinterest identified with the search terms "nutrition infographic" and "healthy eating infographic." The coding rubric included HBT constructs, pin characteristics, and visual communication tools. Each HBT construct was coded as present or not present (yes=1, no=0). A total theory score was calculated by summing the values for each of the 9 constructs (range 0-9). Adjusted regression analysis was used to identify factors associated with the inclusion of health behavior change theory in pins (P<.05). RESULTS: The mean total theory score was 2.03 (SD 1.2). Perceived benefits were present most often (170/236, 72%), followed by behavioral capability (123/238, 51.7%) and perceived severity (79/236, 33.5%). The construct that appeared the least was self-regulation/self-control (2/237, 0.8%). Pin characteristics associated with the inclusion of HBT included a large amount of text (P=.01), photographs of real people (P=.001), cartoon pictures of food (P=.01), and the presence of references (P=.001). The number of repins (P=.04), likes (P=.01), and comments (P=.01) were positively associated with the inclusion of HBT. CONCLUSIONS: These findings suggest that current Pinterest infographics targeting healthy eating contain few HBT elements. Health professionals and organizations should create and disseminate infographics that contain more elements of HBT to better influence healthy eating behavior. This may be accomplished by creating pins that use both text and images of people and food in order to portray elements of HBT and convey nutritional information.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,047
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,047
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0080,005
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,433
Tête enseignante GPT0,533
Écart entre enseignants0,100 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207