The Development, Implementation, and Evaluation of an Education-Based Health Promotion Social Media Campaign Targeting Elementary Educators
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Elementary teachers are currently facing the untenable position of needing to do more with less following the educational disruptions of the COVID-19 pandemic. The School of Health Studies (SHS) LEARN Lab is an open-access, evidence-based health resource repository designed to support teachers who are experiencing educational gaps among students in their classrooms. One strategy to increase the uptake of resources is through a health promotion social media campaign, specifically on Instagram and TikTok—two of the largest social media platforms used by teachers to seek out educational resources. As such, the purpose of this study was to develop, implement, and evaluate the effectiveness, based on key performance indicators (i.e., reach and engagement), of an 8-week health promotion social media campaign to increase engagement with the SHS LEARN Lab’s open access resource repository. Overall, the campaign was successful in increasing uptake of the LEARN Lab’s resources. Reach and engagement rates across platforms were above average, and a statistically significant difference between the reach rate across platforms was found during the campaign ( t (14) = 6.189, p < .001). Further, there was a statistically significant increase in average engagement rate on Instagram from baseline to during campaign ( t (7) = 6.871, p < .001). This study offers a template for future campaigns to follow when developing, implementing, and evaluating health promotion social media campaigns. Health promoters and decision-makers in the educational sector should consider social media as a cost-effective and feasible mechanism to increase teacher-specific supports.
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.
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 | 0,013 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle