Unraveling Online Perspectives and Misinformation Surrounding Urinary Tract Infections: A Thematic Analysis of 1200 Instagram Posts
Notice bibliographique
Résumé
Objective: Urinary tract infections are burdensome for patients. Social media is increasingly used as a platform for patients and public to seek and share support. The study aimed to evaluate what patients encounter when they turn to Instagram for urinary tract infection-related support and advice. Methods: The first 200 posts appearing on the "top posts" section of Instagram for 6 key hashtags (#UTI, #UTIs, #urinarytractinfection, #urinarytractinfections, #bladderin- fection, #bladderinfections) were selected. Thematic analysis (TA) was used to identify themes present in the Instagram captions. Results: Across 1200 posts analyzed, 5 main themes were identified. 1) "We can help…," this was largely commercial advertising with the promotion of healthcare clinics. 2) "I'm suffering," which contained first-person narratives about an unpleasant experience with a disease or treatment as well as frustration at health services. 3)!"Warning signs," posts describing signs or symptoms that the creator claims indicate poor health. 4)!"Remedies," these posts detailed therapies to try, often herbal. 5) "Avoid and change," which covered triggers to avoid symptom flare ups. Conclusion: There is a large amount of content on social media related to UTIs. Urologists should be aware that patients may have sought out advice using these platforms and may therefore have received misinformation and products that have been advertised but lack scientific evidence.
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 | 0,008 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».