Social Media Use and HIV Screening Uptake Among Deaf Adults in the United States: Cross-Sectional Survey Study
Notice bibliographique
Résumé
BACKGROUND: About 46% of US adults obtain recommended HIV screening at least once during their lifetime. There is little knowledge of screening rates among deaf and hard-of-hearing adults who primarily use American Sign Language (ASL), or of social media as a potentially efficacious route for HIV prevention outreach, despite lower HIV/AIDS-specific health literacy and potentially higher HIV seropositivity rates than hearing peers. OBJECTIVE: We investigated both the likelihood of HIV screening uptake among deaf adults in the past year and over one year ago, and the relationship between social media use and HIV screening uptake among deaf adult ASL users. METHODS: The Health Information National Trends Survey in ASL was administered to 1340 deaf US adults between 2015-2018. Modified Poisson with robust standard errors was used to assess the relationship between social media usage as a predictor and HIV screening as an outcome (screened more than one year ago, screened within the past year, and never been screened), after adjusting for sociodemographics and sexually transmitted disease (STD) covariates. RESULTS: The estimated lifetime prevalence of HIV screening uptake among our sample was 54% (719/1340), with 32% (429/1340) in the past year. Being of younger age, male gender, black, lesbian, gay, bisexual, or queer, or having some college education or a prior STD were associated with HIV screening uptake. Adjusting for correlates, social media use was significantly associated with HIV screening in the past year, compared to either lifetime or never. CONCLUSIONS: Screening falls well short of universal screening targets, with gaps among heterosexual, female, Caucasian, or older deaf adults. HIV screening outreach may not be effective because of technological or linguistic inaccessibility, rendering ASL users an underrecognized minority group. However, social media is still a powerful tool, particularly among younger deaf adults at risk for HIV.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».