The New Media Landscape and Its Effects on Skin Cancer Diagnostics, Prognostics, and Prevention: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: The wide availability of web-based sources, including social media (SM), has supported rapid, widespread dissemination of health information. This dissemination can be an asset during public health emergencies; however, it can also present challenges when the information is inaccurate or ill-informed. Of interest, many SM sources discuss cancer, specifically cutaneous melanoma and keratinocyte cancers (basal cell and squamous cell carcinoma). OBJECTIVE: Through a comprehensive and scoping review of the literature, this study aims to gain an actionable perspective of the state of SM information regarding skin cancer diagnostics, prognostics, and prevention. METHODS: We performed a scoping literature review to establish the relationship between SM and skin cancer. A literature search was conducted across MEDLINE, Embase, Cochrane Library, Web of Science, and Scopus from January 2000 to June 2023. The included studies discussed SM and its relationship to and effect on skin cancer. RESULTS: Through the search, 1009 abstracts were initially identified, 188 received full-text review, and 112 met inclusion criteria. The included studies were divided into 7 groupings based on a publication's primary objective: misinformation (n=40, 36%), prevention campaign (n=19, 17%), engagement (n=16, 14%), research (n=12, 11%), education (n=11, 10%), demographics (n=10, 9%), and patient support (n=4, 3%), which were the most common identified themes. CONCLUSIONS: Through this review, we gained a better understanding of the SM environment addressing skin cancer information, and we gained insight into the best practices by which SM could be used to positively influence the health care information ecosystem.
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 | 0,000 | 0,006 |
| 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 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 ».