#PrEP4Love: An Evaluation of a Sex-Positive HIV Prevention Campaign
Notice bibliographique
Résumé
BACKGROUND: Pre-exposure prophylaxis (PrEP) is an effective but underutilized method for preventing HIV transmission in communities vulnerable to HIV. Public health campaigns aimed at increasing PrEP awareness and access have less evaluation data. OBJECTIVE: The aim of this study was to evaluate Chicago's PrEP campaign, PrEP4Love (P4L), a campaign that uses health equity and sex-positivity approaches for information dissemination. METHODS: P4L launched in February 2016 and remains an active campaign to date. The analysis period for this paper was from the launch date in February 2016 through May 15, 2016. Our analysis reviews the Web-based reach of the campaign through views on social media platforms (Facebook and Instagram), smart ads, or ads served to individuals across a variety of Web platforms based on their demographics and browsing history, and P4L website clicks. RESULTS: In total, 40,913,560 unique views were generated across various social media platforms. A total of 24,548 users clicked on P4L ads and 32,223,987 views were received from smart ads. The 3 most clicked on ads were STD Signs & Symptoms-More Information on STD Symptoms, HIV & AIDS Prevention, and HIV Prevention Medication. An additional 6,970,127 views were gained through Facebook and another 1,719,446 views through Instagram. There was an average of 182 clicks per day on the P4L website. CONCLUSIONS: This is the first study investigating public responses to a health equity and sex-positive social marketing campaign for PrEP. Overall, the campaign reached millions of individuals. More studies of PrEP social marketing are needed to evaluate the relationship of targeted public health campaigns on stigma and to guide future PrEP promotion strategies.
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 | 0,004 | 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) | 0,001 | 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 ».