Digital Media as a Proponent for Healthy Aging in the Older Chinese American Population: Longitudinal Analysis
Notice bibliographique
Résumé
BACKGROUND: Ensuring health literacy among underserved populations is essential amid an aging population. Accessible and appropriate (both culturally and linguistically) information is important when considering digital media education for older Chinese Americans. OBJECTIVE: This study aims to investigate how social media fare over time in disseminating health information and how we may most effectively educate this population. METHODS: For this study, 5 geriatric-themed educational videos about Parkinson disease, fall prevention, gastrointestinal health, oral health, and pulmonary disease were uploaded to YouTube. Data were collected over a 40-month period. Descriptive statistics and chi-square analysis were used to compare results from the first and second 20-month periods. RESULTS: In 40 months, the 5 videos in aggregate accrued 1171.1 hours of watch time, 7299 views, and an average view duration of 9.6 minutes. Comparing the first and second 20-month periods, there was a significant increase in mobile device usage, from 79.4% (3541/4458) to 83.3% (2367/2841). There was no significant difference in the usage of various external traffic sources and methods of sharing, with WhatsApp accounting for the majority of sharing in both 20-month periods. CONCLUSIONS: Our study provides insight into where to focus future strategies to optimize digital media content, and how to best recruit, direct, and disseminate health education to an older adult Chinese American population. Combining the success of YouTube, social media, and messaging platforms such as WhatsApp can help to transcend cultural and linguistic barriers to promote healthy aging.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».