Viral voices: Depictions of women’s pain experiences on social media
Notice bibliographique
Résumé
TikTok is a popular social media platform increasingly used to disseminate health information and personal experiences, including among women with pain. Characterizing health-related content can help understand how public perceptions are shaped and guide improvements in patient care. Although women with pain often seek information on social media, little is known about social media content pertaining to women's pain. In this study, the content, characteristics, and engagement metrics of the top 100 TikTok videos on women's pain were analyzed. "Women's pain" was searched on TikTok using TikTok's proprietary algorithm. A total of 140 videos were retained for preliminary extraction, and the first 100 that met inclusion criteria were analyzed. Qualitative content analysis of video content was performed, leading to the development of 15 content categories. Of these categories, 66.6% (10/15) represented aspects of women's pain experiences characterized as having a negative tone, including "visual depiction of being in pain," "minimizing/dismissing/gaslighting women's pain," "ineffective pain treatment," "women's pain not being investigated enough," and "assuming women's pain is due to menstruation, motherhood, or mental health issues." Descriptive analyses indicated that the top 100 videos had a combined 338.8 million views and 35.1 million likes. Most videos featured non-healthcare providers' creators (76.0%). Across content categories, the highest engagement rates were observed for the category "women's pain is not understood by others" (15.0%). Overall, strong negative trends were observed in TikTok video content pertaining to women's pain. These findings underscore the urgent need for improved pain care for women experiencing pain. PERSPECTIVE: This article reports on the content, characteristics, and engagement metrics of the top 100 TikTok videos pertaining to women's pain. These findings provide clinicians and researchers with important insights into women's pain experiences and have the potential to inform future research, education, and training initiatives aimed at improving women's pain management.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».