If the evidence is not research, what is it? Egyptian physicians’ explanations of the lack of research citations in their health vlogs
Notice bibliographique
Résumé
Doctor-influencers have the knowledge needed to understand scientific research, and they have the social media popularity to share it with large audiences. In this article, I explore the treatment of evidence in vlogs by Egyptian doctor-influencers: how they present it and what they use instead of it. I answer the following questions: 1) How do doctor-influencers present evidence on social media? 2) If research is not the evidence, what the evidence is? The data was collected through in-depth interviews with 12 Egyptian doctor-influencers from different specializations; two focus groups; and a critical discourse analysis of 48 of the influencers’ most popular and most engaging videos. I found that the doctor-influencers cited academic research only in the videos about medical controversies, new treatments, misinformation, or common medical mistakes. In most of their videos, the Egyptian doctor-influencers scarcely referred to medical research. This is because they believe that their audiences would not understand the evidence due to their low educational attainment, weak research skills, and the language barrier (as most medical research is published in English rather than Arabic). These findings highlight the challenges of communicating science in societies with a low level of education. In these settings, communicators may need to move beyond mediating research studies on social media and instead focus on simplifying, translating, and connecting evidence-based information to the cultural context.
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 | 0,048 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,021 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».