MétaCan
Menu
← Retour à la cohorte
Enregistrement W4407252567 · doi:10.2196/58916

Association of Social Media Recruitment and Depression Among Racially and Ethnically Diverse Metabolic and Bariatric Surgery Candidates: Prospective Cohort Study

2025· article· en· W4407252567 sur OpenAlexvenueno aff
Jackson Francis, Sitapriya Neti, Dhatri Polavarapu, Folefac Atem, Luyu Xie, Olivia Kapera, M. Sunil Mathew, Elisa Morales, Carrie J. McAdams, Jeffrey N. Schellinger, Sophia Ngenge, Sachin Kukreja, Benjamin E. Schneider, Jaime P. Almandoz, Sarah Messiah

Notice bibliographique

RevueJMIR Formative Research · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute on Minority Health and Health Disparities
Mots-clésEthnically diversePreprintMedicineDepression (economics)Prospective cohort studyCohortGerontologyCohort studySurgeryEnvironmental healthInternal medicinePopulation

Résumé

récupéré en direct d'OpenAlex

Background: Due to the widespread use of social media and the internet in today's connected world, obesity and depression rates are increasing concurrently on a global scale. This study investigated the complex dynamics involving social media recruitment for scientific research, race, ethnicity, and depression among metabolic and bariatric surgery (MBS) candidates. Objective: This study aimed to determine (1) the association between social media recruitment and depression among MBS candidates and (2) racial and ethnic differences in social media recruitment engagement. Methods: The analysis included data from 380 adult MBS candidates enrolled in a prospective cohort study from July 2019 to December 2022. Race and ethnicity, recruitment method (social media: yes or no), and depression status were evaluated using χ2 tests and logistic regression models. Age, sex, and ethnicity were adjusted in multivariable logistic regression models. Results: The mean age of the candidates was 47.35 (SD 11.6) years, ranging from 18 to 78 years. Participants recruited through social media (n=41, 38.32%) were more likely to report past or current episodes of depression compared to nonsocial media-recruited participants (n=74, 27.11%; P=.03), with a 67% increased likelihood of depression (odds ratio [OR] 1.67, 95% CI 1.04-2.68, P=.03). Further analysis showed that participants with a history of depression who were below the mean sample age were 2.26 times more likely to be recruited via social media (adjusted OR [aOR] 2.26, 95% CI 1.03-4.95; P=.04) compared to those above the mean age. Hispanic (n=26, 38.81%) and non-Hispanic White (n=53, 35.10%) participants were significantly more likely to be recruited via social media than non-Hispanic Black (n=27, 18.37%) participants (P<.001). After adjusting for covariates, non-Hispanic Black participants were 60% less likely than non-Hispanic White participants to be recruited via social media (aOR 0.40, 95% CI 0.22-0.71; P=.002). Conclusions: We found that individuals recruited through social media channels, especially younger participants, were more likely to report past or current episodes of depression compared to those recruited through nonsocial media. The study also showed that non-Hispanic Black individuals are less likely to engage in social media recruitment for scientific research versus other racial and ethnic groups. Future mental health-related studies should consider strategies to mitigate potential biases introduced by recruitment methods to ensure the validity and generalizability of research findings.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,128
Tête enseignante GPT0,484
Écart entre enseignants0,355 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetSocial Media in Health Education→Travaux en français237 207→