Breast cancer screening literacy information on online platforms: A content analysis of YouTube videos
Notice bibliographique
Résumé
BACKGROUND: The YouTube platform has great potential of serving as a healthcare resource due to its easy accessibility, navigability and wide audience reach. Breast cancer screening is an important preventative measure that can reduce breast cancer mortality by 40%. Therefore, platforms being used as a healthcare resources, such as YouTube, can and should be used to advocate for essential preventative measures such as breast cancer screening. METHODS: In this study, the usefulness of videos related to breast cancer and breast cancer screening were analyzed. Videos were first screened for inclusion and then were categorized into very useful, moderately useful, somewhat useful, and not useful categories according to a 10-point criteria scale developed by medical professionals based on existing breast cancer screening guidelines. Two reviewers independently assessed each video using the scale. RESULTS: 200 videos were identified in the preliminary analysis (100 for the search phrase 'breast cancer' and 100 for the search phrase 'breast cancer screening'). After exclusion of duplicates and non-relevant videos, 162 videos were included in the final analysis. We found the following distribution of videos: 4.3% very useful, 17.9% moderately useful, 39.5% somewhat useful, and 38.3% not useful videos. There was a significant association between each of the following and the video's level of usefulness: video length, the number of likes, and the uploading source. Longer videos were very useful, somewhat useful videos were the most liked, personally produced videos were the most not useful, and advertisements produced the highest ratio of very useful to not useful videos. CONCLUSION: It is necessary to create more reliable and useful healthcare resources for the general population as well as to monitor health information on easily accessible social platforms such as YouTube.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,012 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».