Impact of Social Media Usage on Users’ COVID-19 Protective Behavior: Survey Study in Indonesia
Notice bibliographique
Résumé
BACKGROUND: Social media have become the source of choice for many users to search for health information on COVID-19 despite possible detrimental consequences. Several studies have analyzed the association between health information-searching behavior and mental health. Some of these studies examined users' intentions in searching health information on social media and the impact of social media use on mental health in Indonesia. OBJECTIVE: This study investigates both active and passive participation in social media, shedding light on cofounding effects from these different forms of engagement. In addition, this study analyses the role of trust in social media platforms and its effect on public health outcomes. Thus, the purpose of this study is to analyze the impact of social media usage on COVID-19 protective behavior in Indonesia. The most commonly used social media platforms are Instagram, Facebook, YouTube, TikTok, and Twitter. METHODS: We used primary data from an online survey. We processed 414 answers to a structured questionnaire to evaluate the relationship between these users' active and passive participation in social media, trust in social media, anxiety, self-efficacy, and protective behavior to COVID-19. We modeled the data using partial least square structural equation modeling. RESULTS: This study reveals that social media trust is a crucial antecedent, where trust in social media is positively associated with active contribution and passive consumption of COVID-19 content in social media, users' anxiety, self-efficacy, and protective behavior. This study found that active contribution of content related to COVID-19 on social media is positively correlated with anxiety, while passive participation increases self-efficacy and, in turn, protective behavior. This study also found that active participation is associated with negative health outcomes, while passive participation has the opposite effects. The results of this study can potentially be used for other infectious diseases, for example, dengue fever and diseases that can be transmitted through the air and have handling protocols similar to that of COVID-19. CONCLUSIONS: Public health campaigns can use social media for health promotion. Public health campaigns should post positive messages and distil the received information parsimoniously to avoid unnecessary and possibly counterproductive increased anxiety of the users.
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 | 0,014 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».