Youth Health and Wellbeing: Integration of Digital Media Technologies in Youth Work Practices in the Non-governmental Organisation Sector
Notice bibliographique
Résumé
This study aims to explore the use of digital media technologies in promoting the health and well-being of young people within a youth work setting in the non-governmental organisation sector. The study adopted a qualitative approach, Purposive sampling was used to select 20 youth workers from non-governmental organisations (NGOs) operating across four provinces in South Africa: Limpopo, Gauteng, the Western Cape, and the Northern Cape. Data were collected through semi-structured interviews conducted via Microsoft Teams. The data collected were analysed using the Framework Method. The study found that youth workers use digital media technologies such as virtual sessions using platforms like Microsoft Teams, TikTok videos, and health-related messaging on WhatsApp to promote the health and wellbeing of the youth. This includes providing virtual emotional support, disseminating health-related messaging, and posting videos on TikTok with health messages and content. Significant investment in youth work, particularly in the non-governmental organisation sector, is required to optimise the use of digital media technologies to promote the youth’s health and wellbeing. Such investment comprises both financial investment and the development of skilled human capital, competent in the use of digital media technologies. In conclusion, the positive aspect of digital media technologies in promoting youth health and well-being is evident in this study. Therefore, there is a need for youth workers to receive training in the use of digital media technologies which is essential in their professional development and professionalisation of youth work in developing nations like South Africa.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».