Effective uses of social media in public health and medicine: a systematic review of systematic reviews
Notice bibliographique
Résumé
INTRODUCTION: Research examining the effective uses of social media (SM) in public health and medicine, especially in the form of systematic reviews (SRs), has grown considerably in the past decade. To our knowledge, no comprehensive synthesis of this literature has been conducted to date. AIMS AND METHODS: To conduct a systematic review of systematic reviews of the benefits and harms ("effects") of SM tools and platforms (such as Twitter and Facebook) in public health and medicine. To perform a synthesis of this literature and create a 'living systematic review'. RESULTS: Forty-two (42) high-quality SRs were examined. Overall, evidence of SM's effectiveness in public health and medicine was judged to be minimal. However, qualitative benefits for patients are seen in improved psychosocial support and psychological functioning. Health professionals benefited from better peer-to-peer communication and lifelong learning. Harms on all groups include the impact of SM on mental health, privacy, confidentiality and information reliability. CONCLUSIONS: A range of negatives and positives of SM in public health and medicine are seen in the SR literature but definitive conclusions cannot be made at this time. Clearly better research designs are needed to measure the effectiveness of social technologies. For ongoing updates, see the wiki "Effective uses of social media in health: a living systematic review of systematic reviews". http://hlwiki.slais.ubc.ca/index.php/Effective_uses_of_social_media_in_healthcare:_a_living_systematic_review_of_reviews.
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 | 0,060 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,009 |
| Bibliométrie | 0,022 | 0,021 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».