Exploratory Analysis of Electronic Cigarette–Related Videos on YouTube: Observational Study
Notice bibliographique
Résumé
BACKGROUND: Electronic cigarette (e-cigarette) use has become more popular than cigarette smoking, especially among youth. Social media platforms, including YouTube, are a popular means of sharing information about e-cigarette use (vaping). OBJECTIVE: This study aimed to characterize the content and user engagement of e-cigarette-related YouTube videos. METHODS: The top 400 YouTube search videos related to e-cigarettes were collected in January 2020. Among them, 340 valid videos were classified into provaping, vaping-warning, and neutral categories by hand coding. Additionally, the content of e-cigarette videos and their user engagement (including average views and likes) were analyzed and compared. RESULTS: While provaping videos were dominant among e-cigarette-related YouTube videos from 2007 to 2017, vaping-warning videos started to emerge in 2013 and became dominant between 2018 and 2019. Compared to vaping-warning videos, provaping videos had higher average daily views (1077 vs 822) but lower average daily likes (12 vs 15). Among 161 provaping videos, videos on user demonstration (n=100, 62.11%) were dominant, and videos on comparison with smoking had the highest user engagement (2522 average daily views and 28 average daily likes). Conversely, among 141 vaping-warning videos, videos on potential health risks were the most popular topic (n=57, 40.42%) with the highest user engagement (1609 average daily views and 33 average daily likes). CONCLUSIONS: YouTube was dominated by provaping videos, with the majority of videos on user demonstrations before 2018. The vaping-warning videos became dominant between 2018 and 2019, with videos on potential health risks being the most popular topic. This study provides updated surveillance on e-cigarette-related YouTube videos and some important guidance on associated social media regulations.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».