Tips and Pitfalls in Using Social Media Platforms for Survey Dissemination
Notice bibliographique
Résumé
IntroductionSocial media has become a prevalent platform for survey dissemination, despite the paucity of literature on this topic. The purpose of this paper is to outline the benefits and drawbacks of and best practices for social media-based surveys.MethodsWe performed a scoping review of this topic and explored different strategies commonly employed for conducting efficient health care surveys via social media platforms.ResultsThe main advantages of social media-based surveys are the convenience and flexibility of survey design, their relatively low cost, the anonymity of responders, and the ability to reach a broader population of responders across geographical boundaries. Several measures can be adopted to avoid issues inherent in this approach, such as data disruption and response duplication, as well as to enhance ethical behaviors and consent compliance. We discuss limitations associated with unclear distribution of survey respondents and outline survey fraud as a major impediment to the online propagation of surveys on various social media platforms.DiscussionThe use of social media to disseminate surveys on various medical specialty topics has garnered global participation, particularly during the COVID-19 pandemic. Ethical codes of conduct emphasize the need for professionalism and truthfulness, and disclosure of potential conflicts of interest on the part of respondents, and high-quality survey research on the part of researchers.ConclusionWe advocate for the novel use of social media to promote large and diverse health care surveys. Additional studies should further explore the use of emerging social media platforms for survey dissemination and their impact on health care research.
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 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».