Alopecia areata and pattern hair loss (androgenetic alopecia) on social media – Current public interest trends and cross‐sectional analysis of <scp>YouTube</scp> and <scp>TikTok</scp> contents
Notice bibliographique
Résumé
BACKGROUND: With an ever-growing influence of social media in healthcare, concurrent with increased emphasis on patient autonomy and shared decision-making, dermatologists treating hair loss need to be cognizant of online interest trends and the types of information disseminated across popular platforms. OBJECTIVES: To evaluate recent health-related interest trends and assess engagement, quality, and accuracy of alopecia areata (AA) and pattern hair loss (PHL, androgenetic alopecia) contents on social media. METHODS: Relative search volumes (RSVs) were extracted from Google Trends using the search category 'alopecia areata' and 'pattern hair loss'. Eighty matching videos on TikTok and YouTube were also extracted and characterized. Viewer engagement was estimated using the engagement ratio, and quality and accuracy were assessed using DISCERN and Dy et al. Accuracy Scale (DAS). CONCLUSIONS: AA-related contents on TikTok discussing personal experiences of female subjects were significantly more engaging. DISCERN and DAS scoring showed significantly higher quality and accuracy in videos created by healthcare providers on YouTube, but not TikTok, which could in part be related to YouTube videos being longer. RSV fluctuations corresponding to news in popular culture had high impact. Sponsorship disclosures were generally not reported in product promotional videos.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 ».