The Rise of Facial Palsy on Social Media Over the Last 5 Years
Notice bibliographique
Résumé
BACKGROUND: Social media (SoMe) has become a powerful platform for distributing health information. Facial palsy (FP) results in functional and social impairment and lowers quality of life. Social media may help to raise awareness of FP sequalae. This study aims to determine the FP information growth on SoMe platforms and parameters that influence user engagement on FP content. METHODS: Five commonly used SoMe platforms (Facebook, Instagram, TikTok, Twitter, and Reddit) were analyzed. Data on 18 FP hashtags and their social interaction parameters (posts, likes, reaches, comments, shares, language, and country of origin) over the past 5 years (July 31, 2016, to July 31, 2021) were collected. In-depth account analysis was performed on the 5 most popular Instagram profiles associated with FP. RESULTS: The annual growth curve was positive on each platform. Facial Palsy Awareness Week 2021 trended best on TikTok. Facebook accumulated 315,411 likes and 1,922,678 reaches on 8356 posts. On Instagram, 24,968 posts gathered 4,904,124 likes and 9,215,852 reaches. TikTok users interacted on 3565 posts, accumulating 4,304,155 likes and 4,200,368 reaches. The implementation of reels ( P <0.001) and the profile host interacting with their followers by liking ( P <0.001) and replying ( P <0.001) to users' comments significantly increased the engagement rate. CONCLUSIONS: Facial palsy is of increasing interest on SoMe. Facial palsy surgeons may post reels, interact with their community, and engage into FPAW to promote user engagement.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».