General Audience Engagement With Antismoking Public Health Messages Across Multiple Social Media Sites: Comparative Analysis
Notice bibliographique
Résumé
BACKGROUND: Public health organizations have begun to use social media to increase awareness of health harm and positively improve health behavior. Little is known about effective strategies to disseminate health education messages digitally and ultimately achieve optimal audience engagement. OBJECTIVE: This study aims to assess the difference in audience engagement with identical antismoking health messages on three social media sites (Twitter, Facebook, and Instagram) and with a referring link to a tobacco prevention website cited in these messages. We hypothesized that health messages might not receive the same user engagement on these media, although these messages were identical and distributed at the same time. METHODS: We measured the effect of health promotion messages on the risk of smoking among users of three social media sites (Twitter, Facebook, and Instagram) and disseminated 1275 health messages between April 19 and July 12, 2017 (85 days). The identical messages were distributed at the same time and as organic (unpaid) and advertised (paid) messages, each including a link to an educational website with more information about the topic. Outcome measures included message engagement (ie, the click-through rate [CTR] of the social media messages) and educational website engagement (ie, the CTR on the educational website [wCTR]). To analyze the data and model relationships, we used mixed effects negative binomial regression, z-statistic, and the Hosmer-Lemeshow goodness-of-fit test. RESULTS: Comparisons between social media sites showed that CTRs for identical antitobacco health messages differed significantly across social media (P<.001 for all). Instagram showed the statistically significant highest overall mean message engagement (CTR=0.0037; 95% CI 0.0032-0.0042), followed by Facebook (CTR=0.0026; 95% CI 0.0022-0.0030) and Twitter (CTR=0.0015; 95% CI 0.0013-0.0017). Facebook showed the highest as well as the lowest CTR for any individual message. However, the message CTR is not indicative of user engagement with the educational website content. Pairwise comparisons of the social media sites differed with respect to the wCTR (P<.001 for all). Messages on Twitter showed the lowest CTR, but they resulted in the highest level of website engagement (wCTR=0.6308; 95% CI 0.5640-0.6975), followed by Facebook (wCTR=0.2213; 95% CI 0.1932-0.2495) and Instagram (wCTR=0.0334; 95% CI 0.0230-0.0438). We found a statistically significant higher CTR for organic (unpaid) messages (CTR=0.0074; 95% CI 0.0047-0.0100) compared with paid advertisements (CTR=0.0022; 95% CI 0.0017-0.0027; P<.001 and P<.001, respectively). CONCLUSIONS: Our study provides evidence-based insights to guide the design of health promotion efforts on social media. Future studies should examine the platform-specific impact of psycholinguistic message variations on user engagement, include newer sites such as Snapchat and TikTok, and study the correlation between web-based behavior and real-world health behavior change. The need is urgent in light of increased health-related marketing and misinformation on social media.
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 | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».