Dementia Research on Facebook and Twitter: Current Practice and Challenges
Notice bibliographique
Résumé
Background: Social media is a powerful tool for engaging diverse audiences in dementia research. However, there is little data summarizing current content exchange in this context. Objective: To inform ethical dementia research engagement on social media, we characterized current practices by analyzing public social media posts. Methods: We retrieved Facebook (2-year period, N = 7,896) and Twitter (1-year period, N = 9,323) posts containing dementia research-related keywords using manual and machine learning-based search strategies. We performed qualitative and quantitative content and sentiment analyses on random samples (10%) of the posts. Results: Top Facebook users were advocacy (45%) and health organizations (25%). On Twitter, academics/researchers were the largest user group. Prevention was the most frequently coded theme (Facebook 30%; Twitter 26%), followed by treatment (Facebook 15%; Twitter 18%). Diagnostics had the highest Facebook engagement. Sharing knowledge was the primary form of content exchange (Facebook 63%; Twitter 80%). Most shared journal articles were peer-reviewed and open access. Emotional tone was overall more positive on Facebook. Justice was a prominent ethics topic regarding inequalities related to identity and intersecting modes of marginalization in dementia research. Conclusion: The findings indicate the importance of social media as an engagement tool of current topics in health research and reveal areas of potential for increased engagement. These data can inform consensus-based best practices for ethical social media application in dementia 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».