Entering the Misinformation Age: Quality and Reliability of YouTube for Patient Information on Liposuction
Notice bibliographique
Résumé
Background: YouTube is currently the most popular online platform and is increasingly being utilized by patients as a resource on aesthetic surgery. Yet, its content is largely unregulated and this may result in dissemination of unreliable and inaccurate information. The objective of this study was to evaluate the quality and reliability of YouTube liposuction content available to potential patients. Methods: YouTube was screened using the keywords: “liposuction,” “lipoplasty,” and “body sculpting.” The top 50 results for each term were screened for relevance. Videos which met the inclusion criteria were scored using the Global Quality Score (GQS) for educational value and the Journal of the American Medical Association (JAMA) criteria for video reliability. Educational value, reliability, video views, likes, dislikes, duration and publishing date were compared between authorship groups, high/low reliability, and high/low educational value. Results: A total of 150 videos were screened, of which 89 videos met the inclusion criteria. Overall, the videos had low reliability (mean JAMA score = 2.78, SD = 1.15) and low educational value (mean GQS score = 3.55, SD = 1.31). Videos uploaded by physicians accounted for 83.1% percent of included videos and had a higher mean educational value and reliability score than those by patients. Video views, likes, dislikes, comments, popularity, and length were significantly greater in videos with high reliability. Conclusions: To ensure liposuction-seeking patients are appropriately educated and informed, surgeons and their patients may benefit from an analysis of educational quality and reliability of such online content. Surgeons may wish to discuss online sources of information with patients.
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 | 0,001 | 0,102 |
| 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 | 0,000 |
| 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 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 ».