The Reach of the “Don’t Fry Day” Twitter Campaign: Content Analysis
Notice bibliographique
Résumé
Background Skin cancer is the most common cancer in the United States, disproportionately affecting young women. Since many young adults use Twitter, it may be an effective channel to communicate skin cancer prevention information. Objective The study aimed to assess the reach of the National Council on Skin Cancer Prevention (NCSCP)’s 2018 Don’t Fry Day Twitter campaign, categorize the types of individuals or tweeters who engaged in the campaign, and identify themes of the tweets. Methods Descriptive statistics were used, and a content analysis of Twitter activity during the 2018 Don’t Fry Day campaign was conducted. The NCSCP tweeted about Don’t Fry Day and skin cancer prevention for 14 days in May 2018. Twitter contributors were categorized into groups. The number of impressions (potential views) and retweets were recorded. Content analysis was used to describe the text of the tweets. Results A total of 1881 Twitter accounts, largely health professionals, used the Don’t Fry Day hashtag, generating over 45 million impressions. These accounts were grouped into nine categories (eg, news or media and public figures). The qualitative content analysis revealed informative, minimally informative, and self-interest campaign promotion themes. Informative tweets involved individuals and organizations who would mention and give further context and information about the #DontFryDay campaign. Subthemes of the informative theme were sun safety, contextual, and epidemiologic information. Minimally informative tweets used the hashtag (#DontFryDay) and other types of hashtags but did not give any further context or original material in the tweets. Self-interest campaign promotion involved businesses, firms, and medical practices that would utilize and promote the campaign to boost their own ventures. Conclusions These analyses demonstrate the large potential reach of social media public health campaigns. However, limitations of such campaigns were also identified, for example, the relatively homogeneous groups actively engaged in the campaign. This study contributes to the understanding of the types of accounts and messages engaged in social media campaigns utilizing a hashtag, providing insight into the messages and participants that are effective and those that are not to achieve campaign goals. Further research on the potential impact of social media on health behaviors and outcomes is necessary to ensure wide-reaching implications.
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 | 0,007 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».