YouTube Videos and Informed Decision-Making About COVID-19 Vaccination: Successive Sampling Study
Notice bibliographique
Résumé
BACKGROUND: Social media platforms such as YouTube are used by many people to seek and share health-related information that may influence their decision-making about COVID-19 vaccination. OBJECTIVE: The purpose of this study was to improve the understanding about the sources and content of widely viewed YouTube videos on COVID-19 vaccination. METHODS: Using the keywords "coronavirus vaccination," we searched for relevant YouTube videos, sorted them by view count, and selected two successive samples (with replacement) of the 100 most widely viewed videos in July and December 2020, respectively. Content related to COVID-19 vaccines were coded by two observers, and inter-rater reliability was demonstrated. RESULTS: The videos observed in this study were viewed over 55 million times cumulatively. The number of videos that addressed fear increased from 6 in July to 20 in December 2020, and the cumulative views correspondingly increased from 2.6% (1,449,915 views) to 16.6% (9,553,368 views). There was also a large increase in the number of videos and cumulative views with respect to concerns about vaccine effectiveness, from 6 videos with approximately 6 million views in July to 25 videos with over 12 million views in December 2020. The number of videos and total cumulative views covering adverse reactions almost tripled, from 11 videos with approximately 6.5 million (11.7% of cumulative views) in July to 31 videos with almost 15.7 million views (27.2% of cumulative views) in December 2020. CONCLUSIONS: Our data show the potentially inaccurate and negative influence social media can have on population-wide vaccine uptake, which should be urgently addressed by agencies of the United States Public Health Service as well as its global counterparts.
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 | 0,002 | 0,008 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».