Assess Nurses' Social Media Conduct's Effect on Patient Trust
Notice bibliographique
Résumé
Background: The increasing reliance on social media has transformed how healthcare professionals, including nurses, access and share medical knowledge. Digital platforms such as WhatsApp, Facebook, Twitter, and LinkedIn provide avenues for professional networking, information exchange, and patient education. However, challenges such as misinformation, privacy concerns, and ethical dilemmas complicate the use of these tools in clinical practice. This study explores the role of social media in nursing, examining its benefits, risks, and the types of health information sought by nurses. Methods: A mixed-method, cross-sectional study design was employed, integrating quantitative and qualitative approaches. Data were collected from 280 nurses through structured questionnaires and focus group discussions (FGDs). The survey assessed demographic characteristics, social media usage patterns, and perceptions of its advantages and challenges. Quantitative data were analyzed using SPSS, while qualitative insights were derived through thematic analysis using NVivo software. Results: Findings indicate that WhatsApp, Facebook, and Twitter are the most frequently used platforms for accessing health information. Nurses primarily sought information on patient experiences, health conditions, and second opinions, while topics such as insurance, medication, and therapy details received less attention. Key benefits included increased access to medical knowledge, enhanced professional networking, and emotional support. However, challenges such as misinformation (44.1%), privacy concerns (55.5%), information overload (29.5%), and risks of personal data disclosure (31.3%) were identified as major concerns. Conclusion: The study highlights the significant impact of social media in nursing, providing an essential tool for professional development and patient engagement. However, risks such as misinformation and ethical concerns necessitate guidelines to ensure responsible usage. It is recommended that healthcare institutions implement policies to promote digital literacy and safeguard privacy while maximizing the benefits of social media in nursing practice.
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 | 0,020 | 0,145 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».