Social Media Content of Idiopathic Pulmonary Fibrosis Groups and Pages on Facebook: Cross-sectional Analysis (Preprint)
Notice bibliographique
Résumé
BACKGROUND Patients use Facebook as a resource for medical information. We analyzed posts on idiopathic pulmonary fibrosis (IPF)-related Facebook groups and pages for the presence of guideline content, user engagement, and usefulness. OBJECTIVE The objective of this study was to describe and analyze posts from Facebook groups and pages that primarily focus on IPF-related content. METHODS Cross-sectional analysis was performed on a single date, identifying Facebook groups and pages resulting from separately searching “IPF” and “idiopathic pulmonary fibrosis.” For inclusion, groups and pages needed to meet either search term and be in English, publicly available, and relevant to IPF. Every 10th post was assessed for general characteristics, source, focus, and user engagement metrics. Posts were analyzed for presence of IPF guideline content, useful scientific information (eg, scientific publications), useful support information (eg, information about support groups), and potentially harmful information. RESULTS Eligibility criteria were met by 12 groups and 27 pages, leading to analysis of 523 posts. Of these, 42% contained guideline content, 24% provided useful support, 20% provided useful scientific information, and 5% contained potentially harmful information. The most common post source was nonmedical users (85%). Posts most frequently focused on IPF-related news (29%). Posts containing any guideline content had fewer likes or comments and a higher likelihood of containing potentially harmful content. Posts containing useful supportive information had more likes, shares, and comments. CONCLUSIONS Facebook contains useful information about IPF, but posts with misinformation and less guideline content have higher user engagement, making them more visible. Identifying ways to help patients with IPF discriminate between useful and harmful information on Facebook and other social media platforms is an important task for health care professionals.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».