Users’ Willingness to Share Health Information in a Social Question-and-Answer Community: Cross-sectional Survey in China
Notice bibliographique
Résumé
BACKGROUND: Social question-and-answer communities play an increasingly important role in the dissemination of health information. It is important to identify influencing factors of user willingness to share health information to improve public health literacy. OBJECTIVE: This study explored influencing factors of social question-and-answer community users who share health information to provide reference for the construction of a high-quality health information sharing community. METHODS: A cross-sectional study was conducted through snowball sampling of 185 participants who are Zhihu users in China. A structural equation analysis was used to verify the interaction and influence of the strength between variables in the model. Hierarchical regression was also used to test the mediating effect in the model. RESULTS: Altruism (β=.264, P<.001), intrinsic reward (β=.260, P=.03), self-efficacy (β=.468, P<.001), and community influence (β=.277, P=.003) had a positive effect on users' willingness to share health information (WSHI). By contrast, extrinsic reward (β=-0.351, P<.001) had a negative effect. Self-efficacy also had a mediating effect (β=.147, 29.15%, 0.147/0.505) between community influence and WSHI. CONCLUSIONS: The findings suggest that users' WSHI is influenced by many factors including altruism, self-efficacy, community influence, and intrinsic reward. Improving the social atmosphere of the platform is an effective method of encouraging users to share health information.
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 | 0,014 | 0,004 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».