An Analysis of Information Sources of YouTube Videos Pertaining to Tattoo Removal: Cross-sectional Study
Notice bibliographique
Résumé
Background: The American Academy of Dermatology and the Food and Drug Administration recommend consultation with a dermatologist prior to undergoing laser tattoo removal. However, non-health care professionals offer tattoo removal. Understanding the information available on the internet for patients regarding tattoo removal is important given that individuals are increasingly consulting digital sources to make decisions regarding skin care. Prior research has identified that YouTube contains misinformation on dermatologic health. Objective: Here, we present a cross-sectional study that determined the sources of information in YouTube videos that discuss tattoo removal and described the content presented to viewers. Methods: Using the query "tattoo removal," we reviewed English-language YouTube videos that explicitly discussed tattoo removal. The following data were recorded: profession of the presenter, tattoo removal method discussed, whether an explicit recommendation to see a dermatologist or physician was present in the video, and number of views. Results: We analyzed 162 YouTube videos. We found that the majority were presented by non-health care professionals (n=125, 77%), with only 4 (3.7%) records of this subset recommending viewers to seek consultation from a dermatologist to ensure safe and adequate tattoo removal. Conclusions: Based on our findings, we recommend that dermatologists and other health care professionals provide high-quality, evidence-based information to viewers on tattoo removal and encourage dermatology societies to share via their social media platforms information about the importance of consulting a dermatologist for tattoo removal.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».