The Effectiveness of Social Media in the Dissemination of Knowledge About Pain in Dementia
Notice bibliographique
Résumé
OBJECTIVES: Traditional knowledge dissemination methods have been ineffective in leading to timely and widespread changes in clinical practice. Social media have the potential to reach broader audiences than more traditional methods that disseminate research findings. We evaluated the effectiveness of using social media to mobilize knowledge about pain in dementia. METHODS: We developed an online repository of evidence-based content (e.g., guidelines, assessment approaches) and a video about pain in dementia. The video was uploaded to YouTube, a video-sharing platform. We collaborated with stakeholder organizations on a 5-month social media campaign (#SeePainMoreClearly) on Twitter, a social networking site, to disseminate digital content about pain in dementia. The response to our initiatives was evaluated with Web and social media metrics, a video questionnaire, and a comparison of the extent of Twitter discussions about pain in dementia before and during the campaign period. RESULTS: Web metrics showed a great reach of the initiative: The #SeePainMoreClearly hashtag received more than 5,000,000 impressions and was used in 31 countries. The online repository was viewed by 1,218 individuals from 55 countries, and the video resulted in 51,000 views. Comparisons between the pre-campaign and campaign periods demonstrated a higher number of posts about pain in dementia during the campaign period. CONCLUSION: The findings have implications for closing the knowledge-to-practice gap in dementia care through faster mobilization of scientific findings. Our campaign compares favorably with other health information dissemination initiatives. The methodologies used in the study could serve as a framework for the development of social media initiatives in other health disciplines.
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 | 0,059 | 0,120 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».