The Influence of Social Media on the Perception of Autism Spectrum Disorders: Content Analysis of Public Discourse on YouTube Videos
Notice bibliographique
Résumé
BACKGROUND: Little is known about how social media shapes the public's perception of autism spectrum disorder (ASD). We used a media content analysis approach to analyze the public's perception of ASD. METHODS: We conducted a YouTube search in 2019 using keywords related to ASD. The first 10 videos displayed after each search that met the eligibility criteria were selected for analysis. The final sample size of videos analyzed was 50. The top 10 comments from each respective video were selected for commentary analysis. A total of 500 comments were used for this study. Videos and comments were categorized based on sentiment, evident themes, and subthemes. In 2022, using the same key words, we conducted a subsequent YouTube search using the same criteria, except that the videos had to be 10 min or less, whereby nine videos were selected out of 70 for commentary analysis, and a total of 180 comments were used. RESULTS: The dominant themes were "providing educational information on ASD characteristics" with the main subtheme being "no specific age or sex focus". The most common category of comments was "anecdote". The overwhelming sentiments of both the videos and comments were "mixed". Individuals with ASD were stigmatized as not being able to understand emotion. Furthermore, ASD was also stigmatized as being a monolithic condition only manifesting itself in the most severe form when autism varies in severity. INTERPRETATION: YouTube is a powerful tool that allows people and organizations to raise awareness about ASD by providing a more dynamic view on autism and fostering an environment for public empathy and support.
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 | 0,005 | 0,002 |
| 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 | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».