Risks and Benefits of Using Social Media in Dermatology: Cross-sectional Questionnaire 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: Dermatological information on social media is often presented by nondermatologists. Increasing the online engagement of trained dermatologists may improve information quality, patient education, and care. OBJECTIVE: Our study assesses dermatologists' perceptions of social media and patterns of use to identify barriers limiting engagement. METHODS: In our cohort study, a 36-item online survey was distributed to dermatologists in the United States; responses were captured on a 1-100 sliding scale. RESULTS: Of 166 initiated surveys, 128 valid responses were submitted. Dermatologists showed greater concern for social media risk-related issues (mean 77.9, SD 15.1) than potential benefits (mean 61.8, SD 16.4; P<.001). Leading concerns were poor patient care, nonevidence-based information, and breaching patient privacy. Benefits included interphysician collaboration, patient education, and public health awareness. The most avid and enthusiastic social media users were millennials (mean total optimism score 67.5, SD 14.9) and baby boomers (mean total optimism score 63.1, SD 11.2) compared with Generation X dermatologists (mean total optimism score 52.2, SD 16.3, P<.001). Of 128 dermatologists, 103 (82.4%) plan on increasing their social media use (P=.003). Predictors showing an intent to increase future social media use were younger age, integration into professional use, and an optimistic view (r2=.39; P<.001). CONCLUSIONS: Dermatologists perceive the risk of social media to be considerable but still intend to increase its use, likely recognizing the value and importance of social media to the field.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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