Communicating Antimicrobial Resistance on Instagram: Content Analysis of #AntibioticResistance
Notice bibliographique
Résumé
Background: Antimicrobial resistance (AMR) is a major global health issue heavily influenced by human behavior. Effective communication and awareness-raising are crucial in curbing AMR, with social network sites (SNSs) significantly shaping health behaviors. Despite their potential, current analyses of AMR on SNSs have focused mainly on top-down communication initiatives. Objective: This study aims to examine AMR on Instagram (Meta Platforms), identifying key actors, content themes, and the nature of the communication to understand how AMR is portrayed and perceived. Methods: Based on the sender-message-channel-receiver model, this study used content analysis to review publicly accessible posts on Instagram. The data refer to 24 months, focusing on the hashtag "#antibioticresistance." After cleaning the data, 610 posts (10% of the total 6105) were analyzed. Results: Content creators were predominantly information drivers or professionals in science and health. Posts frequently featured text-dominated visuals or images of bacteria and laboratory tests. However, the AMR posts were found to be siloed, with limited engagement beyond specific interest groups. The study highlighted the neutrality and accuracy of the content but noted the challenge of reaching a broader audience. Conclusions: While Instagram serves as a platform for accurate and informative AMR communication, the post of it remains confined to niche groups, limiting its broader impact. To enhance engagement, AMR discussions should be integrated into more general interest content, use visually compelling formats, and encourage institutional participation and interactive user engagement.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».