Is YouTube a sufficient source of information on Sarcoidosis?
Notice bibliographique
Résumé
<bold>Background:</bold> The internet is a common source of health information for patients and caregivers. To date, content and information quality of YouTube videos on sarcoidosis has not been studied. <bold>Methods:</bold> Of the first 200 results under the search term "sarcoidosis," all English-language videos with content directed at patients were included. Two independent investigators assessed the content of the videos based on 25 predefined key features (content score with 0-25 points), as well as reliability and quality (HONCode score with 0-8, DISCERN score with 1-5 points). Misinformation contained in the videos was described qualitatively. <bold>Results:</bold> The majority of the 85 included videos were from an academic or governmental source (n= 63, 74 %), and median time since upload was 33 months (IQR 10-55). Median video duration was 8 minutes (IQR 3-13) and had a median of 2,044 views (IQR 504-13,203). Quality assessment suggested partially sufficient information: mean HONCode score was 4.4 (SD 0.9) with 91% of videos having a medium quality HONCode evaluation. Mean DISCERN score was 2.3 (SD 0.5). Video content was poor with a mean of 10.5 points (SD 0.6). Absent key features included information on the course of disease (6%), presence of substantial geographical variation (7%), and importance of screening for extrapulmonary manifestations (11%). HONCode scores were higher in videos from academic or governmental sources (p=0.003), particularly regarding “transparency of sponsorship” (p< 0.001). DISCERN and content scores did not differ by video category. <bold>Conclusions:</bold> Most YouTube videos present incomplete information of poor quality, particularly around missing references. Trustworthy and up to date information is needed.
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 | 0,000 |
| 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 | 0,001 |
| 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 | 0,002 |
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 ».