Social Media Use and Oral Health–Related Misconceptions in Saudi Arabia: Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: Social media has become a central tool in health communication, offering both opportunities and challenges. In Saudi Arabia, where platforms like WhatsApp, Snapchat, and Instagram are widely used, the quality and credibility of oral health information shared digitally remain critical issues. Misconceptions about oral health can negatively influence individuals' behaviors and oral health outcomes. OBJECTIVE: This study aimed to describe the patterns of social media use and estimate the prevalence of oral health-related misconceptions among adults in Saudi Arabia. Additionally, it assessed the associations between engagement with oral health information, self-reported oral health, and the presence and count of these misconceptions. METHODS: A cross-sectional survey was conducted over 10 weeks, targeting adults aged 15 years and older in Saudi Arabia. Data were collected from a total sample size (n=387) via a questionnaire distributed through targeted advertisements on Instagram, TikTok, Snapchat, and X (Twitter). The prevalence of oral health-related misconceptions was estimated using descriptive statistics, including counts and percentages. Chi-square tests described sociodemographic, social media engagement, and self-reported oral health. Logistic and Poisson regression analyses were used to assess associations between engagement and self-reported oral health with misconceptions. Logistic regression models provided odds ratios and adjusted odds ratios with 95% CI to assess the presence of oral health misconceptions. Poisson regression was used to calculate mean ratios and adjusted mean ratios (AMRs) for the count of misconceptions. RESULTS: WhatsApp (n=344, 89.8%) and Instagram (n=304, 78.9%) were the most frequently used social media platforms daily. Common oral health misconceptions included beliefs that "Pregnancy causes calcium loss in teeth" (n=337, 87%) and "Dental treatment should be avoided during pregnancy" (n=245, 63.3%). Following dental-specific accounts was significantly associated with lower odds of having any misconceptions (adjusted odds ratio 0.41, 95% CI 0.22-0.78) and a lower count of misconceptions (AMR 0.87, 95% CI 0.77-0.98). Conversely, trust in social media as a source of oral health information was associated with a higher count of misconceptions (AMR 1.16, 95% CI 1.02-1.31). CONCLUSIONS: Social media platforms are essential yet double-edged tools for oral health information dissemination in Saudi Arabia. Participants who followed dental-specific accounts had significantly lower misconceptions, while trust in social media as a source of information was linked to higher counts of misconceptions. These findings highlight the importance of promoting credible content from verified sources to combat misconceptions. Strategic collaborations with dental professionals are necessary to enhance the dissemination of accurate oral health information and public awareness and reduce the prevalence of oral health-related misconceptions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».