Information Regarding Dermatology as Seen on the Social Media Platform TikTok
Notice bibliographique
Résumé
Introduction: With Americans spending over two hours daily on social media, platforms like TikTok have become prevalent sources for healthcare information. This study evaluates the quality and quantity of dermatology-related content on TikTok. Methods: In November 2022, TikTok was searched using dermatology-related keywords. Accounts with ≥50% dermatology content were selected. An engagement score was calculated for each account, and the top 10 were further analyzed using DISCERN criteria. The Kruskal-Wallis and Mann-Whitney U tests, along with a two-tailed independent t-test, were employed for statistical analysis. Results: Out of 22,411 videos, 17,085 (76.3%) were informational. Dermatologists led in paid sponsorship videos (65% of 502 videos). Significant differences in engagement scores were found across different provider types, with medical clinics and aestheticians receiving the highest scores. Dermatologist-run accounts had higher views and comments but similar overall DISCERN scores to non-dermatologist accounts. However, dermatologists better referenced treatment uncertainty and explanations, while non-dermatologists more frequently discussed treatment risks. Discussion: The substantial engagement with dermatology content on TikTok highlights its role as a significant information source, albeit with generally low educational quality. Given the high consumer trust in TikTok, dermatologists face an ethical obligation to improve the accuracy and quality of their online content to counteract potential misinformation.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,003 |
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 ».