Analyzing Social Media Policies on Muscle-Building Drugs and Dietary Supplements
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Use of legal and illegal muscle-building drugs and dietary supplements has been linked to many adverse health and social outcomes. Research has shown that social media use is associated with the use of these drugs and dietary supplements; however, it remains unknown whether social media companies have specific policies related to the content and advertising of muscle-building drugs and dietary supplements on their platforms. Therefore, this study aimed to assess the content and advertising policies of eight popular social media companies related to muscle-building drugs and dietary supplements. METHODS: Content and advertising policies for YouTube, TikTok, Instagram, Snapchat, Facebook, Twitter, Twitch, and Reddit were analyzed in November 2022 to determine whether there were any provisions related to legal (e.g., whey protein) and illegal (e.g., anabolic-androgenic steroids) muscle-building drugs and dietary supplements. Policies were classified as either none, restricted, or prohibited. RESULTS: All eight social media platforms had explicit policies prohibiting user-generated content and advertising of illicit drugs and substances (e.g., anabolic-androgenic steroids). User-generated content and advertising policies related to legal muscle-building dietary supplements across the platforms varied; however, none of the eight social media companies had a specific policy regarding user content. CONCLUSIONS: Findings underscore the need for stronger social media content and advertising policies related to legal muscle-building dietary supplements.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 découle