A Review and Quality Assessment of TikTok Videos for Burn Education
Notice bibliographique
Résumé
Social media platforms can serve as a readily accessible tool for burn education, potentially reducing the incidence and severity of burn injuries. Previous studies have investigated the quality of online burn education videos on platforms such as YouTube. Here, we review the quality of such videos on TikTok, a newer and rapidly growing platform. TikTok was searched for English videos using 29 keywords (hashtags) such as #burn, #education, #prevention, and #management. The first 30 videos per hashtag were screened. Videos were categorized by content and creator. Two independent reviewers assessed the quality of the included videos using the Global Quality Scale (GQS). Metrics such as views, commentary, and likes were also examined. Of 535 screened videos, 72 met inclusion criteria. 47% (n = 34) were on management, 33% (n = 31) education, and 10% (n = 7) prevention. Only 6% (n = 4) cited sources. The median GQS score was 3.0 (IQR: 2.0-3.0, max 4.0). 50% (n = 36) were made by healthcare professionals with a median GQS score of 3.0 (IQR: 2.0-3.0, max 4.0) compared to 2.0 (IQR: 2.0-3.0, max 4.0) in nonhealthcare professionals (n = 36). Viewership varied from 41 to 4.2 million views. Overall, there is a lack of high-quality educational information on TikTok. This rapidly expanding and dynamic platform may provide an opportunity to direct individuals to higher quality resources.
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 | 0,022 | 0,168 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,024 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».