The Role of YouTube and the Entertainment Industry in Saving Lives by Educating and Mobilizing the Public to Adopt Behaviors for Community Mitigation of COVID-19: Successive Sampling Design Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Effective community mitigation through voluntary behavior change is currently the best way to reduce mortality caused by coronavirus disease (COVID-19). This study builds on our prior study based on the scientific premise that YouTube is one of the most effective ways to communicate and mobilize the public in community mitigation to reduce exposure to severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). OBJECTIVE: Because of the rapidly changing nature of YouTube in the context of the COVID-19 pandemic, we conducted a follow-up study to document how coverage of preventive behaviors for effective community mitigation has changed. METHODS: A successive sampling design was used to compare coverage of behaviors to mitigate community transmission of COVID-19 in the 100 most widely viewed YouTube videos in January 2020 and March 2020. RESULTS: Videos in the January and March samples were viewed >125 million times and >355 million times, respectively. Fewer than half of the videos in either sample covered any of the prevention behaviors recommended by the US Centers for Disease Control and Prevention, but many covered key prevention behaviors and were very widely viewed. There were no videos uploaded by entertainment television in the January sample, but this source comprised the majority of videos and garnered the majority of cumulative views in the March sample. CONCLUSIONS: This study demonstrates the incredible reach of YouTube and the potential value of partnership with the entertainment industry for communicating and mobilizing the public about community mitigation to reduce mortality from the COVID-19 viral pandemic.
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.
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 | 0,008 | 0,007 |
| 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 | 0,001 | 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) | 0,000 | 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 découle