A critical analysis of the social media policies in Ontario's healthcare system
Notice bibliographique
Résumé
Purpose Social media has made a revolutionary change in the relationship between the customers and business or service providers by enabling customers to publish and share feedback and views about product or service quality. This revolutionary change has not been echoed in some healthcare systems. This study analyses the social media policies of healthcare regulatory authorities in Ontario and explores how these policies encourage or discourage healthcare professionals' use of social media for collecting patient stories and understanding patient experience. Design/methodology/approach The study used qualitative content analysis to analyse the policy documents, focusing on the manifest themes in these documents. It used convenient sampling to select 12 organizations, including regulating and licensing bodies and health service delivery organizations in Ontario. The authors collected 24 documents from these organizations, including policies, practice standards and social media learning materials. Findings In Ontario's healthcare system, social media is perceived as a source of risks to the healthcare professions and professionals. Healthcare regulators emphasize that the codes of conduct and professional standards extend to social media. The study found no systematic recognition of patient stories on social media as a source of information on healthcare quality that can be useful for healthcare professionals. Originality/value The study identifies potential unintended consequences of social media policies in the healthcare system and calls for policy and cultural changes to enable the development of safe social media platforms that can facilitate interaction between healthcare providers and patients, when necessary, without the fear of legal consequences or privacy breaches.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».