Social Media for ImpLementing Evidence (SMILE): Conceptual Framework (Preprint)
Notice bibliographique
Résumé
BACKGROUND Social media has become widely used by individual researchers and professional organizations to translate research evidence into health care practice. Despite its increasing popularity, few social media initiatives consider the theoretical perspectives of how social media works as a knowledge translation strategy to affect research use. OBJECTIVE The purpose of this paper is to propose a conceptual framework to understand how social media works as a knowledge translation strategy for health care providers, policy makers, and patients to inform their health care decision-making. METHODS We developed this framework using an integrative approach that first involved reviewing 5 long-standing social media initiatives. We then drafted the initial framework using a deductive approach by referring to 5 theories on social media studies and knowledge translation. A total of 58 empirical studies on factors that influenced the use of social media and its messages and strategies for promoting the use of research evidence via social media were further integrated to substantiate and fine-tune our initial framework. Through an iterative process, we developed the Social Media for ImpLementing Evidence (SMILE) framework. RESULTS The SMILE framework has six key constructs: developers, messages and delivery strategies, recipients, context, triggers, and outcomes. For social media to effectively enable recipients to use research evidence in their decision-making, the framework proposes that social media content developers respond to target recipients’ needs and context and develop relevant messages and appropriate delivery strategies. The recipients’ use of social media messages is influenced by the virtual–technical, individual, organizational, and system contexts and can be activated by three types of triggers: sparks, facilitators, and signals. CONCLUSIONS The SMILE framework maps the factors that are hypothesized to influence the use of social media messages by recipients and offers a heuristic device for social media content developers to create interventions for promoting the use of evidence in health care decision-making. Empirical studies are now needed to test the propositions of this framework.
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 | 0,089 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,015 | 0,012 |
| Études des sciences et des technologies | 0,006 | 0,037 |
| Communication savante | 0,017 | 0,025 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,009 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».