A Social Media–Based Diabetes Intervention for Low-Income Mandarin-Speaking Chinese Immigrants in the United States: Feasibility Study
Notice bibliographique
Résumé
Background Chinese immigrants bear a high diabetes burden and face significant barriers to accessing diabetes self-management education (DSME) and counseling programs. Objective The goal of this study was to examine the feasibility and acceptability and to pilot test the potential efficacy of a social media–based DSME intervention among low-income Chinese immigrants with type 2 diabetes (T2D) in New York City. Methods This was a single group pretest and posttest study in 30 Chinese immigrants with T2D. The intervention included 24 culturally and linguistically tailored DSME videos, focusing on diabetes education and behavioral counseling techniques. Over 12 weeks, participants received 2 brief videos each week via WeChat, a free social media app popular among Chinese immigrants. Primary outcomes included the feasibility and acceptability of the intervention. Feasibility was evaluated by recruitment processes, retention rates, and the video watch rate. Acceptability was assessed via a satisfaction survey at 3 months. Secondary outcomes, that is, hemoglobin A1c (HbA1c), self-efficacy, dietary intake, and physical activity, were measured at baseline, 3 months, and 6 months. Descriptive statistics and paired 2-sided t tests were used to summarize the baseline characteristics and changes before and after the intervention. Results The sample population (N=30) consisted of mostly females (21/30, 70%) who were married (19/30, 63%), with limited English proficiency (30/30, 100%), and the mean age was 61 (SD 7) years. Most reported an annual household income of Conclusions This pilot study demonstrated that a social media–based DSME intervention is feasible, acceptable, and potentially efficacious in a low-income Chinese immigrant population with T2D. Future studies need to examine the efficacy in an adequately powered clinical trial.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».