Social media strategies used to translate knowledge and disseminate clinical neuroscience information to healthcare users: A systematic review
Notice bibliographique
Résumé
Social media can be an important source of clinical neuroscience information for healthcare users (e.g., patients, healthcare providers, the general public). This systematic review synthesized evidence on the effectiveness of social media strategies in translating knowledge and disseminating clinical neuroscience information to healthcare users. A systematic review of six electronic databases up to July 29, 2024 was conducted. Original, peer-reviewed articles examining the effectiveness of YouTube, Facebook, LinkedIn, Twitter, social media messaging apps, or a combination of these platforms in translating clinical neuroscience information to healthcare users (e.g., patients, healthcare providers, caregivers, and the general public) were eligible for inclusion. Several proxies (e.g., change in uptake of research, change in awareness, change in knowledge, change in understanding, behaviour change, and/or change in social media metrics) were considered as outcomes of knowledge translation (KT) effectiveness. Two independent reviewers screened articles and assessed risk of bias. The protocol was registered on PROSPERO (ID: CRD42021269034). A total of six studies were included in this review. The included studies used YouTube, Facebook, Twitter, or a combination of social media platforms aimed at healthcare users. Most social media strategies used to disseminate clinical neuroscience information in the included studies (N = 5/6) resulted in improved indicators of KT. However, due to the high risk of bias among the included studies, these results must be interpreted with caution. Disseminating clinical neuroscience information via Facebook, Twitter, YouTube, or a combination of these platforms may achieve the goals of KT. However, there is currently a gap in the literature about clinical neuroscience KT via social media, both in the quantity of studies and quality of evidence. Future research should aim to minimize the risk of bias by controlling for important confounding factors and use objective measures of KT to complement subjective measures.
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 | 0,027 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,015 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».