MétaCan
Menu
Retour à la cohorte
Enregistrement W4226399908 · doi:10.2196/37546

Misinformation About the Human Gut Microbiome in YouTube Videos: Cross-sectional Study

2022· article· en· W4226399908 sur OpenAlexvenueno aff
Swathikan Chidambaram, Yathukulan Maheswaran, Calvin Chan, Lydia Hanna, Hutan Ashrafian, Sheraz R. Markar, Viknesh Sounderajah, John C. Alverdy, Ara Darzi

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Literacy and Information Accessibility
Établissements canadiensnon disponible
Organismes subventionnairesNIHR Imperial Biomedical Research CentreNational Institute for Health and Care Research
Mots-clésSocial mediaMisinformationAudience measurementQuality (philosophy)UploadPsychologyMedicineInternet privacyAdvertisingWorld Wide WebComputer scienceBusiness

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Social media platforms such as YouTube are integral tools for disseminating information about health and wellness to the public. However, anecdotal reports have cited that the human gut microbiome has been a particular focus of dubious, misleading, and, on occasion, harmful media content. Despite these claims, there have been no published studies investigating this phenomenon within popular social media platforms. OBJECTIVE: The aim of this study is to (1) evaluate the accuracy and reliability of the content in YouTube videos related to the human gut microbiome and (2) investigate the correlation between content engagement metrics and video quality, as defined by validated criteria. METHODS: In this cross-sectional study, videos about the human gut microbiome were searched for on the United Kingdom version of YouTube on September 20, 2021. The 600 most-viewed videos were extracted and screened for relevance. The contents and characteristics of the videos were extracted and independently rated using the DISCERN quality criteria by 2 researchers. RESULTS: Overall, 319 videos accounting for 62,354,628 views were included. Of the 319 videos, 73.4% (n=234) were produced in North America and 78.7% (n=251) were uploaded between 2019 and 2021. A total of 41.1% (131/319) of videos were produced by nonprofit organizations. Of the videos, 16.3% (52/319) included an advertisement for a product or promoted a health-related intervention for financial purposes. Videos by nonmedical education creators had the highest total and preferred viewership. Daily viewership was the highest for videos by internet media sources. The average DISCERN and Health on the Net Foundation Code of Conduct scores were 49.5 (SE 0.68) out of 80 and 5.05 (SE 2.52) out of 8, respectively. DISCERN scores for videos by medical professionals (mean 53.2, SE 0.17) were significantly higher than for videos by independent content creators (mean 39.1, SE 5.58; P<.001). Videos including promotional materials had significantly lower DISCERN scores than videos without any advertisements or product promotion (P<.001). There was no correlation between DISCERN scores and total viewership, daily viewership, or preferred viewership (number of likes). CONCLUSIONS: The overall quality and reliability of information about the human gut microbiome on YouTube is generally poor. Moreover, there was no correlation between the quality of a video and the level of public engagement. The significant disconnect between reliable sources of information and the public suggests that there is an immediate need for cross-sector initiatives to safeguard vulnerable viewers from the potentially harmful effects of misinformation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,026
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,155
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0260,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0100,000
Communication savante0,0000,003
Science ouverte0,0010,001
Intégrité de la recherche0,0000,004
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,187
Tête enseignante GPT0,593
Écart entre enseignants0,406 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetHealth Literacy and Information AccessibilityTravaux en français237 207