Protecting, promoting, and supporting breastfeeding on Instagram
Notice bibliographique
Résumé
Breastfeeding has many established benefits for mothers, children, and society at large; however, the vast majority of infants globally do not meet international breastfeeding recommendations. There are many complex reasons for suboptimal breastfeeding rates, including social and societal factors. Alongside increasing social media use worldwide, there is an expanding research focus on how social media use affects health behaviours, decisions and perceptions. The objective of this study was to systematically determine if and how breastfeeding is promoted and supported on the popular social media platform Instagram, which currently has over 700 million active users worldwide. To assess how Instagram is used to depict and portray breastfeeding, and how users share perspectives and information about this topic, we analysed 4,089 images and 8,331 corresponding comments posted with popular breastfeeding-related hashtags (#breastfeeding, #breastmilk, #breastisbest, and #normalizebreastfeeding). We found that Instagram is being mobilized by users to publicly display and share diverse breastfeeding-related content and to create supportive networks that allow new mothers to share experiences, build confidence, and address challenges related to breastfeeding. Discussions were overwhelmingly positive and often highly personal, with virtually no antagonistic content. Very little educational content was found, contrasted by frequent depiction and discussion of commercial products. Thus, Instagram is currently used by breastfeeding mothers to create supportive networks and could potentially offer new avenues and opportunities to "normalize," protect, promote, and support breastfeeding more broadly across its large and diverse global online community.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».