The acceptance of social media video for knowledge acquisition, sharing and application: A com-parative study among YouTube users and TikTok Users’ for medical purposes
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
YouTube and TikTok have gained increasing recognition as social network sites to support online knowledge acquisition, sharing, and application via social media platforms in the medical field. This study examines which aspect of TikTok and YouTube stimulates doctors, nurses, and any other YouTube and TikTok in the medical setting, to rely on them as sources of knowledge acquisition and sharing to keep their medical repertoire updated. A hybrid model is designed to investigate users’ acceptance of YouTube and TikTok as social media platforms. The model focuses on four main external factors: content richness, innovativeness, satisfaction, and enjoyment. These factors are connected with two TAM constructs which are perceived ease of use and perceived usefulness. The results have shown that both YouTube and TikTok are affected by PEOU, PU, personal innovativeness, flow theory, and content richness. Both social media networks provide up-to-date sources described as useful, enjoyable, and relevant. Nevertheless, the comparative results have shown that YouTube has deeply influenced users’ medical perception and knowledge compared to TikTok. It is created for the very mere purpose of socialization and self-expression. In contrast, YouTube is used for educational and non-educational purposes due to the type of uploaded content and time management. Therefore, TikTok developers and influencers should initiate highly specialized videos and create content that raises awareness of medical field issues.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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