A Low-Cost, Social Media–Supported Intervention for Caregivers to Enhance Toddlers’ Language Learning: Mixed Methods Feasibility and Acceptability Study
Notice bibliographique
Résumé
Background Widely accessible, cost-effective early language development interventions for caregivers of young children are needed to promote optimal outcomes in children in the United States. Social media short-form videos, such as those on TikTok, may be a natural fit for delivering this type of intervention. Objective This study aims to examine the feasibility and acceptability of a low-intensity, short-term social media intervention for caregivers of young toddlers. Methods In total, 25 caregivers of children aged between 12 and 18 months participated in this study. We shared 32 short-form videos via TikTok over an 8-week period to help increase caregivers’ knowledge about early childhood communication. We examined metrics to characterize participant engagement, explored measures of changes in caregivers’ knowledge, and conducted a qualitative analysis of caregiver interviews after the intervention. Results Results indicated that most caregivers were able to consistently view the videos, with approximately 75% (16/21) viewership per video (mean 15.75 likes out of 21 possible likes), and caregivers reported positive effects of the intervention on their knowledge of how to support their child’s communication. The results of the exploratory measure of change in caregiver knowledge were positive but not statistically significant (t21=–1.357; P=.09). Caregivers offered suggestions for content and enhancements to videos for future investigations. Conclusions Low-cost, short-term social media interventions could be an effective means to equip caregivers with the information they need to advance their children’s language abilities, particularly for families from lower-income backgrounds whose access to health information about their young children may be limited.
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 | 0,017 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».