What Does the Public Think? Examining Plastic Surgery Perceptions through the Twitterverse
Notice bibliographique
Résumé
BACKGROUND: Twitter is a recognized social media platform for communication of health information. Rime reported that emotion is the main motive for social sharing. This study is a content analysis of Twitter that was performed to identify the public's perceptions and attitudes toward plastic surgery and the emotional triggers that drive social sharing of plastic surgery information. METHODS: Tweets containing "#PlasticSurgery" or "Plastic Surgery" were archived randomly from August 1, 2014, to December 30, 2016 (n = 4548). Tweets were categorized according to tweet author, specialty, topic, content, multimedia included, emotion, tone, accuracy of information, source, and retweet rate. Statistical analysis was performed to detect significant patterns. RESULTS: Tweets on cosmetic surgery (74 percent) were shared mostly on Twitter, predominantly posted by the public [n = 1611 (48 percent)]. More than 13 percent of posts contained "celebrity news" and 42.8 percent contained professional information and resources. The most frequent emotions shared and retweeted were "relaxed/content" (51.5 percent) and "excited/interested" (18.4 percent). Most tweets posted by the public contained inaccurate information [n = 1486 (80 percent)]. Only 154 (11.2 percent) of board-certified plastic surgeons' tweets were rated as "most accurate." CONCLUSIONS: The majority of tweets posted on Twitter contained inaccurate information that can lead to misperception among the public. Understanding emotional triggers for social sharing provides insight into what is most appealing. To enhance public uptake and sharing of tweets, plastic surgeons can use these findings to promote the specialty using relaxed/content emotions or excitement in their social media posts.
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 | 0,003 | 0,090 |
| 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 | 0,004 | 0,005 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».