US Physicians’ and Nurses’ Motivations, Barriers, and Recommendations for Correcting Health Misinformation on Social Media: Qualitative Interview Study
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
BACKGROUND: Health misinformation is a public health concern. Various stakeholders have called on health care professionals, such as nurses and physicians, to be more proactive in correcting health misinformation on social media. OBJECTIVE: This study aims to identify US physicians' and nurses' motivations for correcting health misinformation on social media, the barriers they face in doing so, and their recommendations for overcoming such barriers. METHODS: In-depth interviews were conducted with 30 participants, which comprised 15 (50%) registered nurses and 15 (50%) physicians. Qualitative data were analyzed by using thematic analysis. RESULTS: Participants were personally (eg, personal choice) and professionally (eg, to fulfill the responsibility of a health care professional) motivated to correct health misinformation on social media. However, they also faced intrapersonal (eg, a lack of positive outcomes and time), interpersonal (eg, harassment and bullying), and institutional (eg, a lack of institutional support and social media training) barriers to correcting health misinformation on social media. To overcome these barriers, participants recommended that health care professionals should receive misinformation and social media training, including building their social media presence. CONCLUSIONS: US physicians and nurses are willing to correct health misinformation on social media despite several barriers. Nonetheless, this study provides recommendations that can be used to overcome such barriers. Overall, the findings can be used by health authorities and organizations to guide policies and activities aimed at encouraging more health care professionals to be present on social media to counteract health misinformation.
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 | 0,004 | 0,003 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 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 découle