Understanding Social Media Use and Engagement Among Dermatology Patients to Inform Dermatological Prevention and Care in Vietnam: Cross-sectional Study
Notice bibliographique
Résumé
Background Social media has emerged as a common source of dermatological information. Monitoring the patterns of social media use and engagement is important to counteract the limitations of social media. However, evidence in Vietnamese dermatology patients is lacking. Objective This study aimed to explore social media use and engagement by dermatology patients and to identify factors associated with social media use and engagement. Methods A cross-sectional study was conducted with 519 participants at the Vietnam National Hospital of Dermatology and Venereology during September to November 2018. Data about sociodemographic characteristics, social media use, and social media engagement were collected. Multivariate logistic and tobit regression models were used to identify factors associated with social media use and engagement. Results Interest in information about “cosmetic, beauty, and skincare techniques” was the greatest (184/519, 46.2%). The mean engagement score was 8.4 points (SD 2.4 points). Female patients were more likely to use social media (odds ratio [OR] 2.23, 95% CI 1.23-4.06) and be interested dermatological information on social media (OR 3.09, 95% CI 1.35-7.09). Women also had higher social media engagement scores (coefficient=0.68, 95% CI 0.17-1.18). Higher social media engagement scores were related with Instagram use (coefficient=0.58, 95% CI 0.00-1.15) and higher credibility scores for “family members” (coefficient=0.15, 95% CI 0.03-0.26) and “dermatology companies” (coefficient=0.22, 95% CI 0.04-0.39). Conclusions This study discovered high social media usage among dermatology patients. However, only moderate utilization and credibility levels were reported regarding the use of social media as a source of dermatological information. More efforts should focus on involving dermatologists in the development of individualized information on social media targeting specific groups of dermatology patients.
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 | 0,003 |
| 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 | 0,001 | 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 ».