MétaCan
Menu
Retour à la cohorte
Enregistrement W2800814333 · doi:10.2196/jmir.9326

Reducing Negative Outcomes of Online Consumer Health Information: Qualitative Interpretive Study with Clinicians, Librarians, and Consumers

2018· article· en· W2800814333 sur OpenAlexafffund
Reem El Sherif, Pierre Pluye, Christine Thoër, Charo Rodríguez

Notice bibliographique

RevueJournal of Medical Internet Research · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Literacy and Information Accessibility
Établissements canadiensUniversité du Québec à MontréalMcGill University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésThematic analysisQualitative researchPsychologyThe InternetPopulationPersonally identifiable informationSocial psychologyMedicineComputer scienceWorld Wide WebSociologyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: There has been an exponential increase in the general population's usage of the internet and of information accessibility; the current demand for online consumer health information (OCHI) is unprecedented. There are multiple studies on internet access and usage, quality of information, and information needs. However, few studies explored negative outcomes of OCHI in detail or from different perspectives, and none examined how these negative outcomes could be reduced. OBJECTIVE: The aim of this study was to describe negative outcomes associated with OCHI use in primary care and identify potential preventive strategies from consumers', health practitioners', and health librarians' perspectives. METHODS: This included a two-stage interpretive qualitative study. In the first stage, we recruited through a social media survey, a purposeful sample of 19 OCHI users who had experienced negative outcomes associated with OCHI. We conducted semistructured interviews and performed a deductive-inductive thematic analysis. The results also informed the creation of vignettes that were used in the next stage. In the second stage, we interviewed a convenient sample of 10 key informants: 7 health practitioners (3 family physicians, 2 nurses, and 2 pharmacists) and 3 health librarians. With the support of the vignettes, we asked participants to elaborate on (1) their experience with patients who have used OCHI and experienced negative outcomes and (2) what strategies they suggest to reduce these outcomes. We performed a deductive-inductive thematic analysis. RESULTS: We found that negative outcomes of OCHI may occur at three levels: internal (such as increased worrying), interpersonal (such as a tension in the patient-clinician relationship), and service-related (such as postponing a clinical encounter). Participants also proposed three types of strategies to reduce the occurrence of these negative outcomes, namely, providing consumers with reliable OCHI, educating consumers on how to assess OCHI websites, and helping consumers present and discuss the OCHI they find with a health professional in their social network or a librarian for instance. CONCLUSIONS: We examined negative outcomes associated with using OCHI from five complementary perspectives (consumers, family physicians, pharmacists, nurses, and health librarians). We identified a construct of OCHI use-related tension that included and framed all negative outcomes. This construct has three dimensions (three interdependent levels): internal, interpersonal, and service-related tensions. Future research can focus on the implementation and effectiveness of the proposed strategies, which might contribute to reducing these tensions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,031
score de la tête « metaresearch » (Gemma)0,014
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,180
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0310,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,002
Science ouverte0,0010,000
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,173
Tête enseignante GPT0,608
Écart entre enseignants0,434 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeQualitatif
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

Citations64
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Medical Internet ResearchMême sujetHealth Literacy and Information AccessibilityTravaux en français237 207