Examining TikTok’s Potential for Community-Engaged Digital Knowledge Mobilization With Equity-Seeking Groups
Notice bibliographique
Résumé
Social media is increasingly being leveraged by researchers to engage in public debates and rapidly disseminate research results to health care providers, health care users, policy makers, educators, and the general public. This paper contributes to the growing literature on the use of social media for digital knowledge mobilization, drawing particular attention to TikTok and its unique potential for collaborative knowledge mobilization with underserved communities who experience barriers to health care and health inequities (eg, equity-seeking groups). Setting the TikTok platform apart from other social media are the unique audiovisual video editing tools, together with an impactful algorithm, that make knowledge dissemination and exchange with large global audiences possible. As an example, we will discuss digital knowledge mobilization with trans and nonbinary (trans) communities, a population that experiences barriers to health care and is engaged in significant peer-to-peer health information sharing on the web. To demonstrate, analytics data from 13 selected TikTok videos on the topic of research on gender-affirming medicine (eg, hormonal therapy and surgeries) are presented to illustrate how knowledge is disseminated within the trans community via TikTok. Considerations for researchers planning to use TikTok for digital knowledge mobilization and other related community engagement with equity-seeking groups are also discussed. These include the limitations of TikTok analytics data for measuring knowledge mobilization, population-specific concerns related to community safety on social media, the spread of disinformation, barriers to internet access, and commercialization and intellectual property issues. This paper concludes that TikTok is an innovative social media platform that presents possibilities for achieving transformative, community-engaged knowledge mobilization among researchers, underserved health care users, and their health care providers, all of whom are necessary to achieve better health care and population health outcomes.
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 | 0,012 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,001 |
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 ».