Pattern hair loss and health care professionals: How well are we connecting with our audience?
Notice bibliographique
Résumé
BACKGROUND: Pattern hair loss, the most common form of hair loss, affects millions in the United States. Americans are increasingly seeking health information from social media. It would appear that healthcare professionals contribute relatively minimally to pattern hair loss content, thereby posing serious concerns for credibility and quality of information available to the general public. OBJECTIVES: This study evaluates popular pattern hair loss-related content on Instagram, TikTok, and YouTube, aiming to understand effective engagement strategies for healthcare professionals on social media. METHODS: The top 60 short-form videos were extracted from Instagram, TikTok, and YouTube, using the search term "pattern hair loss" and inclusion of USA-based accounts only. Videos were categorized by creator type (healthcare vs. non-healthcare professional), content type (informational, interactional, and transactional), and analyzed for user engagement and quality, using engagement ratios and DISCERN scores, respectively. CONCLUSIONS: Healthcare professionals, especially dermatologists, play a crucial role in delivering credible information on social media, supported by higher DISCERN scores. Multi-platform presence, frequent activity, and strategic content creation contributes to increased reach and engagement. Duration of short-form videos does not impact engagement. The "Duet" or "Remix" options on TikTok, Instagram, and YouTube serve as a valuable tool for healthcare professionals to counter misinformation. Our study underscores the importance of optimizing educational impact provided by health care professionals at a time when the public increasingly relies on social media for medical information.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».