17 Credibility and reach of nutrition influencers on social media
Notice bibliographique
Résumé
Background Nutrition influencers can reach large segments of the public, regardless of formal training or credentials. Though social media is a popular source of nutrition information, it may not be credible. Furthermore, the perceived credibility of nutrition information may be enhanced through social validation (i.e., popularity of the public figure), yet this phenomenon has not been examined. Objective To examine the credibility of nutrition influencers’ websites in relation to their social media reach. Methods Nutrition influencers identified through a key word search on popular search engines: Yahoo! Google, and Bing who had active public websites and Instagram accounts were included. ‘Tips to Spot Misinformation’ developed for the public by the Dietitians of Canada and PEN: Practice Evidence-Based Nutrition were used to create a credibility score for each website. Based on scores, websites were categorized as having low, moderate, or high credibility. The reach of each influencer was ascertained by combining the total number of followers/subscribers from five popular social media platforms (Instagram, Facebook, Twitter, YouTube, and Pinterest). Results Of the 39 websites, there were 12 (31%) high, 13 (33%) moderate, and 14 (36%) low credibility sites, and the average number of followers for each group were 186 775, 547 088 and 2 153 515, respectively. There was a significant difference in followers between the three groups (p = 0.017) and a significantly lower number of followers for influencers with high credibility websites compared to low credibility websites (p = 0.022), with more than 10 times fewer followers. Discussion Popular influencers with low credibility websites have enormous reach whereas influencers with highly credible websites lack the ability to reach large segments of the population. Further research is needed to understand how social validation influences the public’s eating behaviors and to identify strategies that will increase the visibility of highly credible information.
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 | 0,007 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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.
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 ».