Facebook-Based Social Marketing to Reduce Smoking in Australia’s First Nations Communities: An Analysis of Reach, Shares, and Likes
Notice bibliographique
Résumé
BACKGROUND: Facebook is widely used by Australia's First Nations people and has significant potential to promote health. However, evidence-based guidelines for its use in health promotion are lacking. Smoking prevalence among Australia's First Nations people is nearly 3 times higher than other Australians. Locally designed programs in Aboriginal Community Controlled Health Services (ACCHOs) to reduce smoking often use Facebook. OBJECTIVE: This study reports on an analysis of the reach and engagement of Facebook posts with smoking prevention and cessation messages posted by ACCHOs in the Northern Territory, Australia. METHODS: Each service posted tobacco control content at least weekly for approximately 6 months. Posts were coded for the following variables: service posted, tailored First Nations Australian content, local or nonlocally produced content, video or nonvideo, communication technique, and emotional appeal. The overall reach, shares, and reactions were calculated. RESULTS: Compared with posts developed by the health services, posts with content created by other sources had greater reach (adjusted incident rate ratio [IRR] 1.92, 95% CI 1.03-3.59). Similarly, reactions to posts (IRR 1.89, 95% CI 1.40-2.56) and shared posts (IRR 2.17, 95% CI 1.31-3.61) with content created by other sources also had more reactions, after controlling for reach, as did posts with local First Nations content compared with posts with no First Nations content (IRR 1.71, 95% CI 1.21-2.34). CONCLUSIONS: Facebook posts with nonlocally produced content can be an important component of a social media campaign run by local health organizations. With the exception of nonlocally produced content, we did not find a definitive set of characteristics that were clearly associated with reach, shares, and reactions. Beyond reach, shares, and likes, further research is needed to understand the extent that social media content can influence health behavior.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 ».