MétaCan
Menu
← Retour à la cohorte
Enregistrement W4309082600 · doi:10.2196/preprints.44226

Evaluation of a Knowledge Mobilization Campaign to Promote Support for Working Caregivers in Canada: Quantitative Evaluation (Preprint)

2022· preprint· en· W4309082600 sur OpenAlexaffabout
Sarah Neil‐Sztramko, Maureen Dobbins, Allison Williams

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineHealth Professions
ThématiqueHealth Literacy and Information Accessibility
Établissements canadiensMcMaster UniversityImpact
Organismes subventionnairesnon disponible
Mots-clésSocial mediaDemographicsAnalyticsPublic relationsBest practiceBusinessPsychologyPolitical scienceComputer scienceSociologyWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

BACKGROUND As population demographics continue to shift, many employees will also be tasked with providing informal care to a friend or family member. The balance between working and caregiving can greatly strain carer-employees. Caregiver-friendly work environments can help reduce this burden. However, there is little awareness of the benefits of these workplace practices, and they have not been widely adopted in Canada. An awareness-generating campaign with the core message “supporting caregivers at work makes good business sense” was created leading up to Canada’s National Caregivers Day on April 5, 2022. OBJECTIVE Our primary objective is to describe the campaign's reach and engagement, including social media, email, and website activity, and our secondary objective is to compare engagement metrics across social media platforms. METHODS An awareness-generating campaign was launched on September 22, 2021, with goals to (1) build awareness about the need for caregiver-friendly workplaces and (2) direct employees and employers to relevant resources on a campaign website. Content was primarily delivered through 4 social media platforms (Twitter, LinkedIn, Facebook, and Instagram), and supplemented by direct emails through a campaign partner, and through webinars. Total reach, defined as the number of impressions, and quality of engagement, defined per social media platform as the engagement rate per post, average site duration, and page depth, were captured and compared through site-specific analytics on Facebook, Instagram, Twitter, and LinkedIn throughout the awareness-generating campaign. The number of views, downloads, bounce rate, and time on the page for the website were counted using Google Analytics. Open and click-through rates were measured using email analytics, and webinar registrants and attendees were also tracked. RESULTS Data were collected from September 22, 2021, to April 12, 2022. During this time, 30 key messages were developed and disseminated through 74 social media tiles. While Facebook posts generated the most extensive reach (137,098 impressions), the quality of the engagement was low (0.561 engagement per post). Twitter resulted in the highest percentage of impressions that resulted in engagement (24%), and those who viewed resources through Twitter spent a substantial amount of time on the page (3 minute 5 second). Website users who visited the website through Instagram spent the most time on the website (5 minute 44 second) and had the greatest page depth (2.20 pages), and the overall reach was low (3783). Recipients’ engagement with email content met industry standards. Webinar participation ranged from 57 to 78 attendees. CONCLUSIONS This knowledge mobilization campaign reached a large audience and generated engagement in content. Twitter is most helpful for this type of knowledge mobilization. Further work is needed to evaluate the characteristics of individuals engaging in this content and to work more closely with employers and employees to move from engagement and awareness to adopt caregiver-friendly workplace practices.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui
Observationnellow
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui
Autre devismedium
modèles en désaccordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,042
score de la tête « metaresearch » (Gemma)0,059
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,321
Score d'incertitude au seuil0,646

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0420,059
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0020,004
Études des sciences et des technologies0,0060,003
Communication savante0,0030,002
Science ouverte0,0020,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,234
Tête enseignante GPT0,517
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.

Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.

Devis d'étudeObservationnel · Autre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetHealth Literacy and Information Accessibility→Travaux en français237 207→