MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413082476 · doi:10.2196/76708

Pathological Processes Among Content Creators on Social Media: Scoping Review

2025· review· en· W4413082476 sur OpenAlexvenueno aff
Sergio Martínez-Aguirre, Javier Sanz‐Valero, Elena Ronda

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2025
Typereview
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintSocial mediaPsychologyInternet privacyComputer scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Background: Content creators (CCs), like any other worker, are exposed to various occupational hazards that can affect their physical, mental, and social well-being, with psychosocial and ergonomic risks being particularly relevant. The combination of prolonged work hours, sedentary lifestyles, excessive public scrutiny, and often job insecurity and unpredictability (manifested as continuous connectivity and anticipation of sporadic tasks) presents a significant risk for the development of health issues. Objective: This study reviews the scientific literature to identify the potential pathological processes affecting CCs on social media. Methods: The scoping review method was used. Data were obtained from the following bibliographic databases: MEDLINE (via PubMed), Embase, Cochrane Library, PsycINFO, Scopus, Web of Science, and Virtual Health Library. The terms used as descriptors and in the title and abstract fields were "Content Creator" and "Pathologic Processes." The search was conducted in May 2024. Agreement between authors for paper selection was measured using the Cohen κ coefficient. The documentary quality of the papers was assessed using the STROBE (Strengthening the Reporting of Observational Studies in Epidemiology) questionnaire, and the level of evidence and recommendation grade were determined according to the Scottish Intercollegiate Guidelines Network recommendations. Bias was evaluated using the Risk of Bias in Non-randomized Studies of Exposures (ROBINS-E) tool. Results: Of the 1522 references retrieved, 6 papers were selected based on the inclusion and exclusion criteria. Of the 6 studies reviewed, 3 were exclusively focused on a single gender. The agreement on the relevance of the selected studies, calculated using the κ index, was 84.9% (P<.01). The study population ranged from a minimum of 6 to a maximum of 1544 participants. The STROBE scores ranged from 81.3% to 96.8%, with a median of 14.9% (IQR 2.1). According to the Scottish Intercollegiate Guidelines Network criteria, this review provided evidence level 2++ with a recommendation grade of B. ROBINS-E highlighted a higher number of biases in Domains 5, 6, and 7. All interventions were based on interviews, either conducted online or via email. Participant activities, as documented in the respective studies, comprised influencer roles (n=2), blogging (n=2), YouTube content creation (n=1), and live streaming (n=1). The design of the reviewed works comprised 4 qualitative studies and 2 mixed methods (qualitative and quantitative) studies. The reported health impacts were diverse, comprising burnout (n=2), anxiety (n=1), co-occurring anxiety and depression (n=1), eating disorder (n=1), chronic pain (n=1), and unspecified mental health issues (n=1). All studies highlighted the necessity for further investigation into potential pathological processes among CCs engaged in social media activities. Conclusions: It was found that the most affected area was mental health, as observed in nearly all the reviewed studies. Despite the extensive documentation of mental health impact, it is necessary to identify the risk factors associated with the pathological processes of CCs to prevent the signs and symptoms identified in this literature review.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,078
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,078
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0050,004
Bibliométrie0,0210,019
Études des sciences et des technologies0,0010,002
Communication savante0,0060,005
Science ouverte0,0020,003
Intégrité de la recherche0,0040,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,394
Tête enseignante GPT0,504
Écart entre enseignants0,110 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and Surveillance→Même sujetSocial Media in Health Education→Travaux en français237 207→