Исследование предлагает рекомендации по улучшению Youtube видео о хронических заболеваниях

Многие люди с хроническими заболеваниями ищут в социальных сетях, включая видео на YouTube, чтобы узнать больше о том, как управлять своими диагнозами. Но эти видео отличаются тем, насколько хорошо они передают информацию и привлекают внимание зрителей. Лучшее понимание того, как пациенты используют медицинскую информацию, важно для улучшения использования ресурсов здравоохранения и качества медицинской помощи. Новое исследование было направлено на то, чтобы понять, как люди используют информацию о здоровье в видеороликах YouTube о диабете. В ходе исследования ученые разработали подход для идентификации видео с различными уровнями медицинской информации и изучили взаимодействие зрителей с этими видео.

Исследование было проведено исследователями из Университета Карнеги-Меллона, Университета Юты, Университета Аризоны и Университета штата Мичиган. Появляется в MIS Quarterly .

«Наше исследование помогает медицинским работникам и политикам понять, как пользователи взаимодействуют с медицинской информацией в видеоформате» , – говорит Рема Падман, профессор науки управления и медицинской информатики в Университете Карнеги-Меллона в Хайнц-колледже, который стал соавтором исследования. «Это также способствует укреплению текущей практики общественного здравоохранения, содействуя разработке руководящих принципов для содержания образовательных видеороликов, которые призваны помочь людям справиться с хроническими заболеваниями».

Немногие исследования показали, как видео помогают пациентам получать медицинскую информацию для лечения хронических заболеваний. В этом исследовании исследователи изучили, как пользователи используют медицинскую информацию в видеороликах YouTube о диабете; они выбрали диабет, потому что он является одним из самых распространенных хронических заболеваний в Соединенных Штатах. Исследователи собрали 19 873 уникальных видео на YouTube, используя более 200 поисковых терминов. Видеоролики были созданы отдельными пользователями, а также организациями здравоохранения, такими как клиника Майо, Американская ассоциация диабета и Американская ассоциация питания.

Исследователи использовали метод глубокого обучения (метод, который учит компьютеры делать то, что естественно для людей, как это используется в автомобилях без водителя), чтобы идентифицировать медицинские термины в видео, а затем классифицировать видео на основе того, сколько медицинской информации они содержали. Исследователи также рассмотрели различные способы представления информации на видео, в том числе с помощью текста и изображений. «Применение новых методов глубокого обучения работает лучше, чем традиционные методы машинного обучения», – объясняет Сяо Лю, доцент кафедры операций и информационных систем в Университете Юты, который стал соавтором исследования. «Они также способствуют надежности и строгости нашего исследования».

Затем исследователи проанализировали данные в видеороликах, чтобы определить, как меняется вовлеченность зрителей на основе медицинской информации в видеороликах. Вместо того, чтобы сосредоточиться на том, как каждый отдельный зритель взаимодействовал с видео, исследователи изучили, как зрители коллективно обращали внимание на видео по-разному, по словам Анжаны Сусарлы, доцента бухгалтерских и информационных систем в Университете штата Мичиган, другого соавтора. Они обнаружили, что некоторые зрители не были вовлечены, некоторые были избирательно вовлечены в способы, управляемые их вниманием, а некоторые были вовлечены непрерывно, также в способы, управляемые вниманием.

Исследование показало, что зрители, которые смотрели видео на YouTube с ограниченной медицинской информацией (например, видео с необоснованными претензиями или большим количеством рекламы), как правило, не связывались с видео, что указывает на то, что некоторый медицинский контент необходим для привлечения зрителей. В то же время зрители, которые смотрели видео YouTube с большим количеством медицинских терминов, изо всех сил пытались удержать внимание, предполагая, что медицинские работники должны иметь четкое понимание того, что движет вовлечением пациентов с медицинской информацией . Учитывая низкий уровень медицинской грамотности в Соединенных Штатах, это может быть результатом того, что зрители запуганы информацией или не понимают медицинскую терминологию, используемую в видеороликах, считают авторы.

Объясняет соавтор Бин Чжан, доцент кафедры информационных систем управления в Университете Аризоны: «Наши результаты указывают на разницу в уровне здоровья и грамотности среди пользователей онлайн, поскольку более искушенные пользователи с большей вероятностью используют медицинские термины при поиске видео, вероятно, будут заняты видео, которые содержат соответствующий контент. “

Основываясь на своих выводах, исследователи предлагают разработать конкретные рекомендации для отдельных лиц и организаций, которые создают контент для видео на YouTube, чтобы они могли создавать привлекательные и актуальные материалы для пациентов. Исследователи рекомендуют использовать метод, называемый автоматическим поиском видео , который идентифицирует и маркирует видео, которые имеют низкий или высокий уровень контента, чтобы приспособиться к различным уровням понимания пациентами медицинской информации и вовлеченности.

«Поскольку организации производят медицинские образовательные материалы для пациентов, они должны думать не только о том, какую медицинскую информацию предоставлять, но и о том, как удовлетворить интерес, информационные потребности и уровень медицинской грамотности потребителей», – полагает Падман. «Создатели этих материалов должны использовать технологии и онлайн-решения, чтобы охватить пациентов со сложными хроническими заболеваниями с помощью персонализированного, контекстуализированного и своевременного контента».


Понравилась статья? Поделиться с друзьями:
Варикоз: симптомы, лечение и профилактика заболевания
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!:

Adblock
detector