Twitter as a Knowledge Translation Tool to Increase Awareness of the OpenHEARTSMAP Psychosocial Assessment and Management Tool in the Field of Pediatric Emergency Mental Health
Notice bibliographique
Résumé
Rationale The increasing prevalence of pediatric mental health presentations in pediatric emergency departments (PED) requires improved integration of evidence-based management strategies. Social media, specifically Twitter, has shown potential to aid in closing the knowledge translation (KT) gap between these evidence-based management strategies and pediatric emergency medicine (PEM) providers. Aims and objectives The primary outcome of this study is to evaluate the effectiveness of Twitter as a KT dissemination tool in PEM. The exploratory outcomes were to assess how to effectively implement Twitter in KT, explore ways in which Twitter can maximize the global reach of OpenHEARTSMAP and whether Twitter can lead to increased adoption of OpenHEARTSMAP. Methods A one-week prospective promotion on Twitter was conducted to disseminate the OpenHEARTSMAP tool using 15 topic-related hashtags (arm 1, 15 Tweets) versus one post wherein 15 different Twitter users were mentioned in 15 different comments (arm 2, 1 Tweet). A one-week control period immediately prior to posting was employed for comparisons. Results During the Twitter week, visits per day to OpenHEARTSMAP increased by 175%; mean time spent on the website increased by 212%; and mean page actions per visit increased by 130%. The greatest increase in visits occurred on the first day of Tweeting. Arm 2 received the greatest engagements. Within arm 1, the category of pediatrics received the most engagements (hashtag #Peds was most popular). Arm 1 received 455 impressions compared to 2071 in arm 2. No new users registered an account on the OpenHEARTSMAP website, which is required to physically use the tool. Conclusion Twitter can be an effective KT tool to increase awareness of research, the first step of KT, in the domain of PEM mental health care. Strategies for success include building a robust Twitter following; posting during peak healthcare-related Twitter traffic times; employing hashtags coinciding with current events; and targeting posts by tagging users who need not necessarily be generally well-known opinion leaders.
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 | 0,015 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».