MétaCan
Menu
Retour à la cohorte
Enregistrement W4391584763 · doi:10.2196/53373

The New Media Landscape and Its Effects on Skin Cancer Diagnostics, Prognostics, and Prevention: Scoping Review

2024· article· en· W4391584763 sur OpenAlexvenueno aff
Priscilla L Haff, Madison M. Taylor, Hayden P Schandua, David Farris, Hung Q. Doan, Kelly C. Nelson

Notice bibliographique

RevueJMIR Dermatology · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensnon disponible
Organismes subventionnairesNational Cancer Institute
Mots-clésScopusCochrane LibraryMedicineSkin cancerSocial mediaMEDLINECancerMisinformationFamily medicineAlternative medicinePathologyInternal medicineWorld Wide WebPolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,065
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,065
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0050,005
Bibliométrie0,0190,020
Études des sciences et des technologies0,0010,002
Communication savante0,0060,005
Science ouverte0,0020,003
Intégrité de la recherche0,0040,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,441
Écart entre enseignants0,383 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR DermatologyMême sujetSocial Media in Health EducationTravaux en français237 207