Investigating #covidnurse Messages on TikTok: Descriptive 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: During a time of high stress and decreased social interaction, nurses have turned to social media platforms like TikTok as an outlet for expression, entertainment, and communication. OBJECTIVE: The purpose of this cross-sectional content analysis study is to describe the content of videos with the hashtag #covidnurse on TikTok, which included 100 videos in the English language. METHODS: At the time of the study, this hashtag had 116.9 million views. Each video was coded for content-related to what nurses encountered and were feeling during the COVID-19 pandemic. RESULTS: Combined, the 100 videos sampled received 47,056,700 views; 76,856 comments; and 5,996,676 likes. There were 4 content categories that appeared in a majority (>50) of the videos: 83 showed the individual as a nurse, 72 showed the individual in professional attire, 58 mentioned/suggested stress, 55 used music, and 53 mentioned/suggested frustration. Those that mentioned stress and those that mentioned frustration received less than 50% of the total views (n=21,726,800, 46.17% and n=16,326,300, 34.69%, respectively). Although not a majority, 49 of the 100 videos mentioned the importance of nursing. These videos garnered 37.41% (n=17,606,000) of the total views, 34.82% (n=26,759) of the total comments, and 23.85% (n=1,430,213) of the total likes. So, despite nearly half of the total videos mentioning how important nurses are, these videos received less than half of the total views, comments, and likes. CONCLUSIONS: Social media and increasingly video-related online messaging such as TikTok are important platforms for social networking, social support, entertainment, and education on diverse topics, including health in general and COVID-19 specifically. This presents an opportunity for future research to assess the utility of the TikTok platform for meaningful engagement and health communication on important public health issues.
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 | 0,001 | 0,002 |
| 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 | 0,003 | 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 découle