Promoting early childhood oral health and preventing early childhood caries on Instagram
Notice bibliographique
Résumé
Introduction: Early childhood caries (ECC) is prevalent worldwide. Oral health promotion effectively utilizes key messages to educate parents/caregivers and the public on how to prevent ECC. Instagram is one of the biggest social media platforms, and could be used to promote early childhood oral health. The purpose of this study was to determine if and how young children's oral health is promoted and supported on Instagram. Methods: This study used inductive content analysis to categorize, quantify, and interpret pictorial and textual data derived from Instagram posts containing the most commonly used ECC-related hashtags in their captions (determined by an extensive search through Instagram's search bar). Results: A total of 1,071 images and 3,228 comments were analyzed based on 13 hashtags. The most common types of images were those of people (57.5%) and graphics/memes (37.8%). Most people were older children (32.5%) or adults (20.3%), and were White (19.6%) or Asian (18.5%). A majority of images had people posing (79.1%) in dental clinics (81.3%). Most graphics/memes were instructional/informational (76.3%). A total of 173 posts had substantial discussions that were positive/constructive in nature. The majority of discussions had at least one comment providing advice, tips, or explanations (79.8%), or had users requesting further information (73.4%). Conclusion: As more people engage with social media, health professionals should consider the potential for Instagram as a tool to promote early childhood oral health and to prevent ECC. Our study shows that many different users are providing and consuming content related to ECC. Targeted messaging, monitoring of content, and professional guidance could be beneficial to those seeking oral health information on this platform.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».