The “Walking for Harm Reduction Through Street Engagement” Social Media Knowledge Translation Strategy
Notice bibliographique
Résumé
ABSTRACT Due to its ability to cost-effectively reach underrepresented groups, social media is a valuable tool for facilitating knowledge translation. Consequently, a Social Media Knowledge Translation Strategy was developed for the Walking for Harm Reduction Through Street Engagement (WHiSE 2.0) study; a research project that seeks to identify the harm reduction approaches desired and used by Indigenous people in Thunder Bay, Sault Ste. Marie, and Sudbury. The strategy aided in the referral of harm reduction services to Indigenous people in the WHiSE 2.0 study sites, build relationships between Indigenous communities and harm reduction organizations, and increase knowledge translation and exchange (KTE) efforts among a target audience. The Social Media Knowledge Translation Strategy was developed following Elliot et al.’s [14] social media knowledge translation stages of planning, doing, and evaluating, and quantitative data was collected from an Instagram and Twitter account between May 2023 and August 2023. The results showed a disproportionate ratio of new followers to reach, content interactions, and profile visits. Additionally, there was higher reach and impressions compared to engagement, and the aspiration of amassing 150 followers on Instagram, Facebook, and Twitter which was not realized. However, as any number of impressions, profile visits, content interactions, reach, engagement, and new followers beyond 0, was viewed as successfully disseminating knowledge to at least one organization or individual, the strategy successfully engaged the intended target audience. In future iterations of the strategy, metrics beyond social media insights must be collected to fully evaluate the success of the strategy.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».