MétaCan
Menu
← Retour à la cohorte
Enregistrement W4206127145 · doi:10.2196/preprints.27171

Communicating Guideline Recommendations Using Graphic Narrative Versus Text-Based Broadcast Screensavers: Design and Implementation Study (Preprint)

2021· preprint· en· W4206127145 sur OpenAlexaboutno aff
Lauren Sinnenberg, Craig A. Umscheid, Frances S. Shofer, Damien Leri, Zachary F. Meisel

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSubspecialtyMedical prescriptionGuidelineMedicineOddsOdds ratioNarrativeFamily medicineQuarter (Canadian coin)NursingInternal medicineHistory

Résumé

récupéré en direct d'OpenAlex

BACKGROUND The use of graphic narratives, defined as stories that use images for narration, is growing in health communication. OBJECTIVE The aim of this study was to describe the design and implementation of a graphic narrative screensaver (GNS) to communicate a guideline recommendation (ie, avoiding low-value acid suppressive therapy [AST] use in hospital inpatients) and examine the comparative effectiveness of the GNS versus a text-based screensaver (TBS) on clinical practice (ie, low-value AST prescriptions) and clinician recall. METHODS During a 2-year period, the GNS and the TBS were displayed on inpatient clinical workstations. The numbers of new AST prescriptions were examined in the four quarters before, the three quarters during, and the one quarter after screensavers were implemented. Additionally, an electronic survey was sent to resident physicians 1 year after the intervention to assess screensaver recall. RESULTS Designing an aesthetically engaging graphic that could be rapidly understood was critical in the development of the GNS. The odds of receiving an AST prescription on medicine and medicine subspecialty services after the screensavers were implemented were lower for all four quarters (ie, GNS and TBS broadcast together, only TBS broadcast, only GNS broadcast, and no AST screensavers broadcast) compared to the quarter prior to implementation (odds ratio [OR] 0.85, 95% CI 0.78-0.92; OR 0.89, 95% CI 0.82-0.97; OR 0.87, 95% CI 0.80-0.95; and OR 0.81, 95% CI 0.75-0.89, respectively; P<.001 for all comparisons). There were no statistically significant decreases for other high-volume services, such as the surgical services. These declines appear to have begun prior to screensaver implementation. When surveyed about the screensaver content 1 year later, resident physicians recalled both the GNS and TBS (43/70, 61%, vs 54/70, 77%; P=.07) and those who recalled the screensaver were more likely to recall the main message of the GNS compared to the TBS (30/43, 70%, vs 1/54, 2%; P<.001). CONCLUSIONS It is feasible to use a graphic narrative embedded in a broadcast screensaver to communicate a guideline recommendation, but further study is needed to determine the impact of graphic narratives on clinical practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,029
score de la tête « metaresearch » (Gemma)0,060
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,156

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0290,060
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,368
Tête enseignante GPT0,529
Écart entre enseignants0,161 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSocial Media in Health Education→Travaux en français237 207→