Considerations for Health Researchers Using Social Media for Knowledge Translation: Multiple Case Study
Notice bibliographique
Résumé
BACKGROUND: Despite extensive literature describing the use of social media in health research, a gap exists around best practices in establishing, implementing, and evaluating an effective social media knowledge translation (KT) and exchange strategies. OBJECTIVE: This study aims to examine successes, challenges, and lessons learned from using social media within health research and to create practical considerations to guide other researchers. METHODS: The Knowledge Translation Platform of the Alberta Strategy for Patient-Oriented Research SUPPORT Unit formed a national working group involving platform staff, academics, and a parent representative with experience using social media for health research. We collected and analyzed 4 case studies that used a variety of social media platforms and evaluation methods. The case studies covered a spectrum of initiatives from participant recruitment and data collection to dissemination, engagement, and evaluation. Methods and findings from each case study as well as barriers and facilitators encountered were summarized. Through iterative discussions, we converged on recommendations and considerations for health researchers planning to use social media for KT. RESULTS: We provide recommendations for elements to consider when developing a social media KT strategy: (1) set a clear goal and identify a theory, framework, or model that aligns with the project goals and objectives; (2) understand the intended audience (use social network mapping to learn what platforms and social influences are available); (3) choose a platform or platforms that meet the needs of the intended audience and align well with the research team's capabilities (can you tap into an existing network, and what mode of communication does it support?); (4) tailor messages to meet user needs and platform requirements (eg, plain language and word restrictions); (5) consider timing, frequency, and duration of messaging as well as the nature of interactions (ie, social filtering and negotiated awareness); (6) ensure adequate resources and personnel are available (eg, content creators, project coordinators, communications experts, and audience stakeholder or patient advocate); (7) develop an evaluation plan a priori driven by goals and types of data available (ie, quantitative and qualitative); and (8) consider ethical approvals needed (driven by evaluation and type of data collection). CONCLUSIONS: In the absence of a comprehensive framework to guide health researchers using social media for KT, we provide several key considerations. Future research will help validate the proposed components and create a body of evidence around best practices for using and evaluating social media as part of a KT strategy.
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 | 0,166 | 0,131 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,024 | 0,010 |
| Communication savante | 0,013 | 0,021 |
| Science ouverte | 0,007 | 0,016 |
| Intégrité de la recherche | 0,010 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».