Is “Movember” an Effective Prostate Cancer Awareness Campaign Beyond the English Language? Insights From Google Trends Among Spanish Speakers
Notice bibliographique
Résumé
Objective To evaluate the impact of the “Movember” awareness campaign (men’s health campaign that takes place every November) on internet search trends for information online about prostate cancer and to compare the results with those for “Pinktober” (the breast cancer awareness campaign that takes place in October) in the Spanish language as an indirect measure of its effectiveness. Methods Google Trends was used to evaluate the monthly relative search volumes (RSV) of the terms “cáncer de próstata” (prostate cancer), “cáncer de mama” (breast cancer), and “Movember” from January 2009 to December 2019 both in Spain and worldwide (in the Spanish language). Breast cancer was used as a comparator of the campaign impact. Mean increase in RSV on-campaign and off-campaign was calculated and compared using the Mann-Whitney U test and Joinpoint regression analysis to assess loss or gain of interest. Results The term “cáncer de próstata” showed a statistically significant increase during the campaign months both in Spain (17.4%; P < 0.001) and worldwide (35.4%; P < 0.001). Both “cáncer de próstata” and Movember showed a decreasing trend worldwide and in Spain, while “cáncer de mama” showed an increasing trend. Conclusion The Movember campaign generates a statistically significant increase in the search trends on “cancer de próstata” (prostate cancer) during the month of November (both in Spain and worldwide); when compared with the breast cancer campaign “Pinktober” these increases are of a lesser magnitude but still significant, suggesting that the campaign is effective beyond the English language, although the interest has been decreasing throughout the years.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».