Understanding How and Under What Circumstances Social Media Supports Health Care Providers' Knowledge Use in Clinical Practice: A Realist Review
Notice bibliographique
Résumé
Background: Although theoretical frameworks exist to guide social media interventions, few of them make it explicit how social media is supposed to work to improve the knowledge use by health care providers. This study aimed to synthesize literature to understand how and under what circumstances social media supports knowledge use by health care providers in clinical practice. Methods: We followed the realist review methodology described by Pawson et al. It involved six iterative steps: (1) develop an initial program theory; (2) search for evidence; (3) select and appraise studies; (4) extract data; (5) synthesize data; and (6) draw conclusions. Results: Of the 7,175 citations retrieved, 32 documents were prioritized for synthesis. We identified two causal explanations of how social media could support health care providers' knowledge use, each underpinned by distinct context-mechanism-outcome (CMO) configurations. We defined these causal explanations as: (1) the rationality-driven approach that primarily uses open social media platforms (n = 8 CMOs) such as Twitter, and (2) the relationality-driven approach that primarily uses closed social media platforms (n = 6 CMOs) such as an online community of practice. Key mechanisms of the rationality-driven approach included social media content developers capabilities and capacities, in addition to recipients' access to, perceptions of, engagement with, and intentions to use the messages, and ability to function autonomously within their full scope of practice. However, the relationality-driven approach encompassed platform receptivity, a sense of common goals, belonging, trust and ownership, accessibility to expertise, and the fulfillment of needs as key mechanisms. Conclusion: Social media has the potential to support knowledge use by health care providers. Future research is necessary to refine the two causal explanations and investigate their potential synergistic effects on practice change.
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 | 0,043 | 0,209 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,020 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».