Effects of Mock Facebook Workday Comments on Public Perception of Professional Credibility: A Field Study in Canada
Notice bibliographique
Résumé
BACKGROUND: There is considerable discussion of risks to health professionals' reputations and employment from personal social media use, though its impacts on professional credibility and the health professional-client relationship are unknown. OBJECTIVE: The aim of this study was to test the extent to which workday comments posted to health professionals' personal Facebook profiles influence their credibility and affect the professional-client relationship. METHODS: In a controlled field study, participants (members of the public) reviewed randomly assigned mock Facebook profiles of health professionals. The 2×2×2 factorial design of mock profiles included gender (female/male), health profession (physician/veterinarian), and workday comment type (evident frustration/ambiguous). Participants then rated the profile owner's credibility on a visual analog scale. An analysis of variance test compared ratings. Mediation analyses tested the importance of credibility ratings on participants' willingness to become a client of the mock health professional. RESULTS: Participants (N=357) rated health professionals whose personal Facebook profile showed a comment with evident frustration rather than an ambiguous workday comment as less credible (P<.001; mean difference 11.18 [SE 1.28]; 95% CI 8.66 to 13.70). Furthermore, participants indicated they were less likely to become clients of the former when they considered credibility (standardized beta=.69; P<.001). Credibility explained 86% of the variation in the relationship between the type of workday comment and the participant's willingness to become a client of the health professional. CONCLUSIONS: This study provides the first evidence of the impact of health professionals' personal online disclosures on credibility and the health relationship. Public perceptions about professionalism and credibility are integral to developing the evidence base for e-professionalism guidelines and encouraging best practices in social media use.
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 | 0,010 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».