Precision Prevention through Social Media: Report of Four Cases
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Precision prevention involves using biological, behavioral, socioeconomic, and epidemiological data to improve health for a particular individual or group. With almost 63% of the global population using social media, these platforms show promise to deliver tailored messaging and personalized interventions to individuals. OBJECTIVES: To describe the personalization elements and behavior components used in a sample of precision prevention interventions delivered through social media. METHODS: To identify examples of cases, a search was done on clinicaltrials.gov, searching for 'other terms: prevention' + 'Intervention/Treatment: social media intervention' + 'study results: With results. The selected cases were described, personalization elements reported, and their adopted intervention components were coded according to the Behavior Change Wheel (BCW) framework. RESULTS: A total of four cases employing personalization in their interventions were identified. Three of these cases targeted women's health. The intervention period varied from two to eight months, with participant commitment ranging from active involvement on five out of seven days to monthly participation. The BCW interventions of persuasion and incentivization, were most frequently utilized, while education and coercion were used sparingly in the selected cases. Notably, none of the four cases reported the use of training, restrictions, or modeling. CONCLUSIONS: Social media has the potential to serve as a tool for digital phenotyping and contribute to the advancement of precision prevention. Challenges include the social media platform set-up and ensuring all ethical considerations are met.
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.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle