#GenderAffirmingHormoneTherapy and Health Information on TikTok: Thematic Content Analysis
Notice bibliographique
Résumé
Background: Transgender and gender diverse people often turn to online platforms for information and support regarding gender-affirming hormone therapy (GAHT); however, analysis of this social media content remains scarce. Objective: We characterized GAHT-related videos on TikTok to highlight the implications relevant to GAHT prescribers. Methods: We used a web scraper to identify TikTok videos posted under the hashtags #genderaffirminghormonetherapy and #genderaffirminghormones as of November 2023. We identified recurrent themes via qualitative content analysis and assessed health education videos with the Patient Education Materials Assessment Tool for Audiovisual Materials (PEMAT-A/V) scale and a modified Currency, Relevance, Authority, Accuracy, and Purpose (CRAAP) test. Results: Out of 69 videos extracted, 71% (49/69) were created by GAHT users, 24.6% (17/69) were created by health care workers, and 21.7% (15/69) were created to provide health education. Themes included physical changes on testosterone, GAHT access, and combating misinformation and stigma surrounding GAHT. Health education videos scored highly on PEMAT-A/V items assessing understandability (mean 88.3%, SD 11.3%) and lower on actionability (mean 60.0%, SD 45.8%). On the CRAAP test, videos scored highly on the relevance, authority, and purpose domains but lower on the currency and accuracy domains. Conclusions: Discussions of GAHT on TikTok build community among transgender and gender diverse users, provide a platform for digital activism and resistance against legislation that limits GAHT access, and foster patient-provider dialogue. Educational videos are highly understandable and are created by reliable sources, but they vary in terms of currency and quality of supporting evidence, and they lack in actionability.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 tête enseignante, 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 ».