Perception, Quality, and Accuracy of Sunscreen Content on TikTok: SkinMedia Cross-Sectional Content Analysis
Notice bibliographique
Résumé
Background: TikTok, with more than 2 billion users worldwide, has become an influential venue for health information, including dermatologic advice. However, concerns remain about the accuracy and impact of sunscreen-related content. Objective: This study aimed to assess the quality, accuracy, and themes of popular TikTok videos about sunscreen; evaluate associations with creator credentials and promotional content; and identify implications for public health. Methods: We conducted a cross-sectional content analysis of the 100 most-liked English-language TikTok videos generated by the search term "sunscreen." Metadata, creator characteristics, Global Quality Score (GQS), accuracy, attitudes, promotional disclosures, and reference use were extracted using a structured codebook. Thematic and statistical analyses (ie, Pearson correlations, χ2, 2-tailed t tests, and ANOVA) were conducted, with significance defined as P<.05. Results: Of the top 100 videos, 74 (74%) expressed a positive attitude toward sunscreen, 35 (35%) were accurate, 57 (57%) were opinion based, and 6 (6%) were inaccurate. None of the videos cited references. GQS ratings were low: 40 (40%) videos were rated poor (score=1), 31 (31%) below average (score=2), and only 2 (2%) excellent (score=5). Promotional content appeared in 27 (27%) videos. Accuracy was negatively correlated with likes (r=-0.229; P=.02) and views (r=-0.242; P=.02), while GQS correlated positively with accuracy (r=0.270; P=.007) but not with engagement. Likes and views were strongly correlated (r=0.726; P<.001). Conclusions: Despite broadly positive sentiment toward sunscreen, misinformation and promotional bias are common in highly engaged TikTok videos, and user engagement is often unrelated to accuracy or educational quality. Dermatologists and public health experts must proactively engage on social platforms to counter misinformation and promote reliable skin health information.
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 | 0,000 | 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 | 0,000 | 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 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 ».