DOI: https://doi.org/10.3389/fneur.2024.1404038
PMID: https://pubmed.ncbi.nlm.nih.gov/39494168
تاريخ النشر: 2024-10-18
المؤلف: Ren Zhang وآخرون
الموضوع الرئيسي: محو الأمية الصحية وإمكانية الوصول إلى المعلومات
نظرة عامة
تدرس هذه الدراسة جودة وموثوقية مقاطع الفيديو القصيرة المتعلقة بأورام الدماغ على تيك توك وبيليبيلي، مع معالجة فجوة في تقييم المعلومات الطبية التي يتم نشرها من خلال هذه المنصات. تم إجراء تحليل مقطعي لأفضل 100 فيديو باستخدام درجة الجودة العالمية وأداة موثوقية DISCERN، إلى جانب خوارزمية تعزيز التدرج القصوى للتنبؤ بنتائج النشر. أظهرت النتائج أن مقاطع الفيديو على تيك توك تفوقت على تلك الموجودة على بيليبيلي من حيث الجودة (درجة متوسطة 2 مقابل 2) والموثوقية (درجة متوسطة 15 مقابل 13.5)، مع اختلافات ذات دلالة إحصائية (ص = 1.51E-04 و ص = 1.66E-04، على التوالي). أظهرت مقاطع الفيديو التي تم تحميلها من قبل محترفين ومؤسسات جودة وموثوقية أعلى، خاصة تلك التي تركز على معرفة المرض.
تخلص الدراسة إلى أن الجودة العامة وموثوقية مقاطع الفيديو المتعلقة بأورام الدماغ على كلا المنصتين غير كافية، حيث أن عدد المتابعين هو الأكثر تأثيرًا في التنبؤ بنشر الفيديو. تشير هذه النتيجة إلى أن جودة المحتوى لا تؤثر بشكل كبير على تفاعل المشاهدين. يوصي المؤلفون بتوسيع الأبحاث المستقبلية لتشمل مجموعة أوسع من المنصات والعوامل التي تؤثر على نشر مقاطع الفيديو الطبية للحصول على فهم أكثر شمولاً لهذه الظاهرة.
مقدمة
تناقش مقدمة هذه الورقة البحثية التحدي الكبير الذي تمثله أورام الدماغ للصحة العامة، وهي مجموعة متنوعة من الأورام داخل الجمجمة ذات مظاهر سريرية واستراتيجيات علاجية مختلفة. في الصين، تم الإبلاغ عن معدل الوفيات لأورام الجهاز العصبي المركزي (CNS) بمعدل 3.86 لكل 100,000 في عام 2020، مما أدى إلى فقدان سنوات كبيرة من الحياة. تسلط الورقة الضوء على الدور الحاسم للكشف المبكر والتشخيص الدقيق في تحسين نتائج المرضى، مع الإشارة أيضًا إلى الاعتماد المتزايد على الإنترنت للحصول على المعلومات الطبية. ومع ذلك، تثار المخاوف بشأن جودة وموثوقية المحتوى الطبي عبر الإنترنت، خاصة في سياق مقاطع الفيديو القصيرة، مما يبرز إمكانية تضليل المرضى بالمعلومات الخاطئة.
تستكشف الورقة أيضًا تطبيق تقنيات التعلم الآلي، وتحديدًا تعزيز التدرج القصوى (XGBoost)، في تحليل جودة ونشر مقاطع الفيديو القصيرة ذات الطابع الطبي. تجعل قدرة XGBoost على نمذجة العلاقات المعقدة مناسبة لهذا التحليل، بينما تم تقديم تفسير SHapley Additive (SHAP) كطريقة لتفسير تنبؤات النموذج، وهو أمر حاسم في المجال الطبي. على الرغم من الشعبية المتزايدة لمنصات الفيديو القصيرة مثل تيك توك وبيليبيلي، هناك نقص ملحوظ في الأبحاث حول جودة وديناميكيات نشر المحتوى المتعلق بأورام الدماغ. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال تقييم جودة وموثوقية مثل هذه الفيديوهات وتحليل العوامل التي تؤثر على وصولها وتفاعلها، مما يساهم في تحسين الممارسات في إنتاج الفيديوهات الطبية.
الطرق
تحدد قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم استخدام التحليلات الإحصائية لتقييم البيانات التي تم جمعها من تجارب متنوعة. شملت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة آثارها على النتائج المعنية.
شملت جمع البيانات مقاييس نوعية وكمية، مما يضمن فهمًا شاملاً للظواهر قيد الدراسة. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، مما سهل تطبيق الاختبارات المناسبة لتحديد دلالة النتائج. بشكل عام، تم تصميم الطرق بدقة لضمان الموثوقية والصلاحية، مما يسمح باستخلاص استنتاجات قوية من النتائج.
النتائج
تقدم الدراسة أول تحليل مقطعي لتأثير النشر، الجودة، وموثوقية مقاطع الفيديو القصيرة المتعلقة بأورام الدماغ على تيك توك وبيليبيلي. وُجد أن مصطلح البحث “ورم الدماغ” على تيك توك أسفر عن عدد أقل من مقاطع الفيديو غير ذات الصلة مقارنةً ببيليبيلي، مما يبرز اختلافات كبيرة في خصائص مقاطع الفيديو القصيرة التمثيلية عبر المنصتين. يشير هذا إلى تباين ملحوظ في مصادر البيانات عبر الإنترنت.
باستخدام درجة الجودة العالمية (GQS) وأداة موثوقية DISCREN، قامت الدراسة بتقييم جودة وموثوقية الفيديوهات، والتي تم تصنيفها لاحقًا لتحليل المجموعات الفرعية. كشفت النتائج أن الجودة والموثوقية المتوسطة للفيديوهات كانت دون المتوسط، مع تأثير ضئيل على نشرها. ومن الجدير بالذكر أن مقاطع الفيديو التي أنتجها محترفون وتلك التي ركزت على معرفة المرض أو تقارير الحالة أظهرت مقاييس جودة وموثوقية أعلى.
المناقشة
تقيّم قسم المناقشة في الورقة البحثية جودة وموثوقية ونشر مقاطع الفيديو القصيرة المتعلقة بأورام الدماغ على تيك توك وبيليبيلي، وهما منصتان بارزتان للفيديو في الصين. وجدت الدراسة أنه بينما أنتج تيك توك عمومًا مقاطع فيديو ذات جودة أعلى وموثوقية أكبر، أظهرت كلا المنصتين درجات غير مرضية على مقياس الجودة العالمية (GQS) وأداة موثوقية DISCERN. كانت مقاطع الفيديو التي تركز على المعرفة السريرية للمرض وتقارير الحالة أفضل أداءً من حيث الجودة، بينما كانت مقاطع الفيديو الترويجية تفتقر إلى العمق والوضوح. كشفت التحليلات أن المحترفين الذين يقومون بالتحميل ساهموا في محتوى عالي الجودة، لكن الموثوقية العامة للفيديوهات كانت مهددة بسبب نقص المعلومات الحيوية، مثل مصادر النشر والانحيازات المحتملة.
فيما يتعلق بالنشر، حصلت مقاطع الفيديو على تيك توك على عدد أكبر بكثير من الإعجابات والتعليقات والمشاركات والحفظ مقارنةً بتلك الموجودة على بيليبيلي، وهو ما يُعزى إلى ديناميكيات تفاعل المستخدمين على المنصة وطبيعة مقاطع الفيديو القصيرة. استخدمت الدراسة خوارزمية XGBoost لتحديد العوامل الرئيسية التي تؤثر على نشر الفيديو، وكشفت أن عدد المتابعين وحالة توثيق المحملين كانت من أهم المؤشرات للإعجابات. من المثير للاهتمام أن جودة الفيديو وموثوقيته كان لهما تأثير ضئيل على مقاييس النشر، مما يشير إلى أن تفاعل المشاهدين مدفوع أكثر بديناميكيات وسائل التواصل الاجتماعي من جودة المحتوى. تؤكد النتائج على الحاجة إلى تحسين التدابير التنظيمية والمعايير لمقاطع الفيديو القصيرة ذات الطابع الطبي لتعزيز موثوقيتها وقيمتها التعليمية للمشاهدين.
القيود
تسلط قيود هذه الدراسة الضوء على عدة جوانب حاسمة قد تؤثر على قابلية تطبيق وموثوقية النتائج. أولاً، تقتصر الدراسة على منصتين بارزتين لمقاطع الفيديو القصيرة، مما يثير مخاوف بشأن إمكانية تعميم النتائج على بيئات وسائل التواصل الاجتماعي الأخرى. ثانيًا، يحد التصميم المقطعي من القدرة على إقامة علاقات سببية بين العوامل المحددة التي تؤثر على نشر الفيديو. بالإضافة إلى ذلك، يركز تركيز الدراسة على المحتوى المتعلق بأورام الدماغ على نطاق إقليمي، حيث لا تشمل مقاطع الفيديو خارج الإنترنت الصيني.
علاوة على ذلك، بينما يعد نموذج XGBoost المستخدم في التحليل بارعًا في إدارة مجموعات البيانات المعقدة، فإن تنبؤاته تعتمد على جودة البيانات المدخلة. أي انحيازات أو عدم دقة موجودة في البيانات يمكن أن تضر بموثوقية النتائج. على الرغم من استخدام SHAP لتعزيز قابلية التفسير، قد تقدم تعقيدات النموذج تحديات لأولئك غير المألوفين بأساليب التعلم الآلي. تشير هذه القيود إلى الحاجة الملحة لإجراء أبحاث مستقبلية لاستكشاف مجموعة أوسع من المنصات، واعتماد تصاميم طولية، والتحقيق في تقنيات تعلم الآلة البديلة للتحقق من صحة وتوسيع نطاق النتائج الحالية. بالإضافة إلى ذلك، يمكن أن يوفر دمج مصادر بيانات متنوعة فهمًا أكثر شمولاً لديناميكيات نشر المحتوى المتعلق بأورام الدماغ عبر منصات وسائل التواصل الاجتماعي المختلفة.
DOI: https://doi.org/10.3389/fneur.2024.1404038
PMID: https://pubmed.ncbi.nlm.nih.gov/39494168
Publication Date: 2024-10-18
Author(s): Ren Zhang et al.
Primary Topic: Health Literacy and Information Accessibility
Overview
This study investigates the quality and reliability of brain tumor-related short videos on TikTok and Bilibili, addressing a gap in the evaluation of medical information disseminated through these platforms. A cross-sectional analysis of the top 100 videos was conducted using the Global Quality Score and the DISCERN reliability instrument, alongside an eXtreme Gradient Boosting algorithm to predict dissemination outcomes. The results indicated that TikTok videos outperformed those on Bilibili in both quality (median score of 2 vs. 2) and reliability (median score of 15 vs. 13.5), with statistically significant differences (p = 1.51E-04 and p = 1.66E-04, respectively). Videos uploaded by professionals and institutions demonstrated higher quality and reliability, particularly those focused on disease knowledge.
The study concludes that the overall quality and reliability of brain tumor-related videos on both platforms are inadequate, with the number of followers being the most significant predictor of video dissemination. This finding suggests that content quality does not substantially influence viewer engagement. The authors recommend expanding future research to encompass a broader range of platforms and factors affecting the dissemination of medical-themed videos to gain a more comprehensive understanding of this phenomenon.
Introduction
The introduction of this research paper discusses the significant public health challenge posed by brain tumors, which are a diverse group of intracranial neoplasms with varying clinical manifestations and treatment strategies. In China, the mortality rate for central nervous system (CNS) tumors was reported at 3.86 per 100,000 in 2020, leading to substantial years of life lost. The paper highlights the critical role of timely detection and accurate diagnosis in improving patient outcomes, while also noting the increasing reliance on the Internet for medical information. However, concerns about the quality and reliability of online medical content, particularly in the context of short videos, are raised, emphasizing the potential for misinformation to mislead patients.
The paper further explores the application of machine learning techniques, specifically eXtreme Gradient Boosting (XGBoost), in analyzing the quality and dissemination of medical-themed short videos. XGBoost’s ability to model complex relationships makes it suitable for this analysis, while SHapley Additive explanation (SHAP) is introduced as a method for interpreting the model’s predictions, which is crucial in the medical field. Despite the growing popularity of short video platforms like TikTok and Bilibili, there is a notable lack of research on the quality and dissemination dynamics of brain tumor-related content. This study aims to fill this gap by evaluating the quality and reliability of such videos and analyzing the factors that influence their reach and engagement, thereby informing better practices in medical video production.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled trials, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved both qualitative and quantitative measures, ensuring a comprehensive understanding of the phenomena under investigation. The analysis was conducted using advanced statistical software, which facilitated the application of appropriate tests to determine the significance of the findings. Overall, the methods were rigorously designed to ensure reliability and validity, allowing for robust conclusions to be drawn from the results.
Results
The study presents the first cross-sectional analysis of the dissemination effect, quality, and reliability of brain tumor-related short videos on TikTok and Bilibili. It was found that the search term “brain tumor” on TikTok yielded fewer unrelated videos compared to Bilibili, highlighting significant differences in the characteristics of representative short videos across the two platforms. This indicates a notable heterogeneity in the online data sources.
Using the Global Quality Score (GQS) and the DISCREN reliability instrument, the research assessed the quality and reliability of the videos, which were subsequently categorized for subgroup analysis. The findings revealed that the median quality and reliability of the videos were below average, with minimal impact on their dissemination. Notably, videos produced by professionals and those that concentrated on disease knowledge or case reports demonstrated higher quality and reliability metrics.
Discussion
The discussion section of the research paper evaluates the quality, reliability, and dissemination of brain tumor-related short videos on TikTok and Bilibili, two prominent Chinese video platforms. The study found that while TikTok generally produced higher quality and more reliable videos, both platforms exhibited unsatisfactory scores on the Global Quality Scale (GQS) and the DISCERN reliability instrument. Videos focusing on clinical disease knowledge and case reports performed better in terms of quality, whereas demo videos lacked depth and clarity. The analysis revealed that professional uploaders contributed to higher quality content, but the overall reliability of the videos was compromised by missing critical information, such as publication sources and potential biases.
In terms of dissemination, TikTok videos garnered significantly more likes, comments, shares, and saves compared to those on Bilibili, attributed to the platform’s user engagement dynamics and the nature of short videos. The study employed the XGBoost algorithm to identify key factors influencing video dissemination, revealing that the number of followers and uploader authentication status were the most significant predictors of likes. Interestingly, video quality and reliability had a minimal effect on dissemination metrics, indicating that viewer engagement is driven more by social media dynamics than by content quality. The findings underscore the need for improved regulatory measures and standards for medical-themed short videos to enhance their reliability and educational value for viewers.
Limitations
The limitations of this study highlight several critical aspects that may affect the applicability and robustness of the findings. Firstly, the research is restricted to two prominent short-form video platforms, which raises concerns about the generalizability of the results to other social media environments. Secondly, the cross-sectional design limits the ability to establish causal relationships between the identified factors influencing video dissemination. Additionally, the study’s focus on brain tumor-related content is regionally specific, as it does not encompass videos beyond the Chinese Internet.
Moreover, while the XGBoost model employed in the analysis is adept at managing complex datasets, its predictions are contingent upon the quality of the input data. Any biases or inaccuracies present in the data could compromise the reliability of the outcomes. Although SHAP was utilized to enhance interpretability, the model’s complexity may present challenges for those unfamiliar with machine learning methodologies. These limitations indicate a pressing need for future research to explore a wider array of platforms, adopt longitudinal designs, and investigate alternative machine-learning techniques to validate and broaden the scope of the current findings. Additionally, incorporating diverse data sources could provide a more comprehensive understanding of the dissemination dynamics of brain tumor-related content across various social media platforms.