بهره‌گیری از هوش مصنوعی برای ارزیابی روایت‌های شبکه‌های اجتماعی درباره جراحی کوچک کردن پستان: یک تحلیل مقطعی
چکیده
زمینه: پلتفرم‌های شبکه‌های اجتماعی به‌طور فزاینده‌ای بر برداشت بیماران از اقدامات بازسازی‌کننده تأثیر می‌گذارند. این مطالعه ویژگی‌ها، کیفیت، الگوهای تعامل و احساسات کاربران نسبت به محتوای مرتبط با کوچک کردن پستان در تیک‌تاک را بررسی کرد و هم‌زمان عملکرد هوش مصنوعی (AI) در تحلیل محتوا و احساسات را ارزیابی کرد.
روش‌ها: در این مطالعه مقطعی، ۱۴۰ ویدیوی تیک‌تاک درباره کوچک کردن پستان تحلیل شد. شاخص‌های تعامل شامل تعداد پسندها، دیدگاه‌ها، اشتراک‌گذاری‌ها، ذخیره‌ها و شاخص ترکیبی وزن‌دهی‌شده تعامل جمع‌آوری شد. کیفیت محتوا با استفاده از ابزار اصلاح‌شده DISCERN (mDISCERN) و مقیاس کیفیت جهانی (GQS) توسط هوش مصنوعی و دو ارزیاب انسانی سنجیده شد. تحلیل احساسات نیز توسط ارزیاب‌های انسانی، ChatGPT و Claude AI انجام گرفت. ویدیوهای دارای تعامل بالا به‌عنوان ویدیوهایی تعریف شدند که در یک چهارک بالایی تعداد پسندها (حداقل ۳۰٬۴۰۰) یا اشتراک‌گذاری‌ها (حداقل ۱٬۰۵۰) قرار داشتند.
نتایج: بیشتر ویدیوها توسط بیماران تولید شده بودند (۸۹ درصد) و تمرکز اصلی آن‌ها بر تجربه‌های پس از عمل بود (۷۵ درصد). این ویدیوها تعامل قابل‌توجهی داشتند؛ میانه تعداد پسندها ۳٬۸۶۰٫۵، دیدگاه‌ها ۱۳۱ و اشتراک‌گذاری‌ها ۱۹۴٫۵ بود. کیفیت کلی اطلاعات پایین ارزیابی شد و میانه امتیازهای GQS و mDISCERN در میان ارزیاب‌ها بین ۱ تا ۲ قرار داشت. ویدیوهایی که پسند و اشتراک‌گذاری بیشتری داشتند، به‌طور معناداری کوتاه‌تر بودند (۱۸ در برابر ۳۴ ثانیه؛ ۰٫۰۵
نتیجه‌گیری: محتوای مربوط به کوچک کردن پستان در تیک‌تاک عمدتاً توسط بیماران تولید می‌شود و با وجود تعامل بالا، کیفیت اطلاعاتی پایینی دارد. ویدیوهای کوتاه‌تر انتشار بیشتری پیدا کردند، در حالی که با اطلاعات سلامت قابل اعتماد کمتری همراه بودند.
مقدمه
پلتفرم‌های شبکه‌های اجتماعی، به‌ویژه تیک‌تاک، اینستاگرام و فیسبوک، نحوه جست‌وجو و مصرف اطلاعات بیماران درباره جراحی پلاستیک را دگرگون کرده‌اند. این پلتفرم‌ها در حالی دسترسی به اطلاعات جراحی را دموکراتیک کرده‌اند، هم‌زمان از طریق تصاویر فیلترشده و محتوای مبتنی بر روندهای روز، استانداردهای غیرواقعی زیبایی را گسترش داده‌اند و باعث ایجاد برداشت‌های نادرست درباره خطرات، محدودیت‌ها و مناسب بودن افراد برای انجام جراحی شده‌اند. بیماران به‌طور فزاینده‌ای درخواست انجام اقدامات درمانی را بر اساس روندهای وایرال مطرح می‌کنند، نه ضرورت‌های بالینی؛ موضوعی که شکاف میان بازنمایی‌های شبکه‌های اجتماعی و پزشکی مبتنی بر شواهد را افزایش داده است.
جراحی کوچک کردن پستان همچنان یکی از رایج‌ترین و رضایت‌بخش‌ترین اقدامات در جراحی پلاستیک محسوب می‌شود. طبق اعلام انجمن جراحان پلاستیک آمریکا، در سال ۲۰۲۴ تعداد ۷۶٬۷۳۴ عمل ماموپلاستی کاهشی توسط جراحان عضو این انجمن انجام شد که نشان‌دهنده رشد سالانه و تغییر چشم‌انداز بیماران است. با افزایش تعداد این اقدامات، شناخت عواملی که انتظارات بیماران و تصمیم‌گیری آن‌ها را شکل می‌دهند، اهمیت بیشتری پیدا کرده است.
هوش مصنوعی به‌عنوان ابزاری قدرتمند برای تحلیل نظام‌مند حجم زیادی از داده‌ها، از جمله محتوای شبکه‌های اجتماعی، ظهور کرده و کاربردهای آن به پژوهش‌های علمی نیز گسترش یافته است. برای جراحان پلاستیک، بهره‌گیری از توانایی‌های تحلیلی هوش مصنوعی همراه با ارزیابی انتقادی محدودیت‌های آن، برای ارتقای آموزش بیماران و حفظ استانداردهای این حوزه ضروری است. ازاین‌رو، این مطالعه از دو ابزار هوش مصنوعی متفاوت برای ارزیابی نظام‌مند محتوای مرتبط با کوچک کردن پستان در تیک‌تاک استفاده کرد؛ یکی از سریع‌ترین پلتفرم‌های شبکه اجتماعی که بر برداشت عمومی از اقدامات جراحی تأثیر می‌گذارد. اهداف اصلی مطالعه، بررسی کیفیت اطلاعاتی ویدیوهای مرتبط با ماموپلاستی کاهشی و شناسایی روندهای غالب محتوایی بود. اهداف ثانویه نیز شامل بررسی ویژگی‌های مرتبط با میزان تعامل کاربران و تحلیل احساسات واکنش‌های کاربران به این محتوا بود.
مواد و روش‌ها
این مطالعه مشاهده‌ای و مقطعی با هدف اصلی ترسیم نظام‌مند ماهیت محتوای مرتبط با ماموپلاستی کاهشی در پلتفرم تیک‌تاک (شرکت ByteDance، پکن، چین) انجام شد و دسته‌بندی محتوا، ویژگی‌های تولیدکنندگان و میزان تعامل ایجادشده توسط ویدیوهای پربازدید را بررسی کرد. هدف ثانویه مطالعه، اندازه‌گیری انواع تعامل کاربران شامل پسندها، اشتراک‌گذاری‌ها و لحن دیدگاه‌ها بود تا درک بهتری از برداشت عمومی درباره ماموپلاستی کاهشی در این محیط شبکه اجتماعی فراهم شود.
تیک‌تاک شاخص‌های تعامل در سطح هر ویدیو را به‌صورت عمومی نمایش می‌دهد و امکان تحلیل استاندارد تعامل را فراهم می‌کند. تنها ویدیوهایی وارد مطالعه شدند که به زبان انگلیسی بودند یا دارای صداگذاری یا روایت انگلیسی بودند. در تاریخ ۵ و ۶ مه ۲۰۲۶، جست‌وجو در منطقه نیویورک با استفاده از ابزار جست‌وجوی اپلیکیشن موبایل تیک‌تاک انجام شد. عبارت «BreastReduction» جست‌وجو شد و ۱۴۰ ویدیوی نخست از بخش «Top» انتخاب شدند. این مطالعه تنها از داده‌های عمومی استفاده کرد و مطابق اصول اخلاقی اعلامیه هلسینکی انجام شد. با توجه به اینکه این پژوهش معیارهای تحقیق روی انسان را نداشت، معافیت اخلاقی از سوی هیئت بازبینی نهادی (#WKF315123-21) دریافت کرد.
۱۴۰ ویدیوی برتر دارای برچسب #BreastReduction شناسایی شدند و هر ویدیو از نظر متغیرهای مختلف شامل شاخص‌های تعامل (اشتراک‌گذاری، پسند و تعداد دیدگاه‌ها)، هشتگ‌های همراه، زمان سپری‌شده از انتشار، ویژگی‌های محتوایی و دسته تولیدکننده کدگذاری شد. با توجه به اینکه پسند، دیدگاه و اشتراک‌گذاری هرکدام نوع متفاوتی از تعامل را نشان می‌دهند، شاخص ترکیبی وزن‌دهی‌شده تعامل برای ارائه تصویری جامع‌تر از مشارکت مخاطبان ایجاد شد.
فرمول شاخص تعامل به این صورت بود:
شاخص تعامل = ((تعداد پسندها × ۱) + (تعداد دیدگاه‌ها × ۳) + (تعداد اشتراک‌گذاری‌ها × ۲)) ÷ تعداد دنبال‌کنندگان تولیدکننده ویدیو
تولیدکنندگان محتوا به چهار گروه تقسیم شدند: (۱) جراحان دارای گواهی تخصصی، (۲) افرادی که این عمل را انجام داده بودند (بیماران)، (۳) کارکنان حوزه سلامت غیرپزشک، و (۴) حامیان یا اعضای عموم مردم که در هیچ‌یک از گروه‌های قبلی قرار نمی‌گرفتند.
برای طبقه‌بندی محتوا، از یک نظام کدگذاری ساختاریافته استفاده شد که شامل دسته‌های آموزشی، تجربه پیش از عمل، تجربه پس از عمل و آگاهی/حمایت/طنز بود. برای افزایش قابلیت اطمینان، فرایند بررسی دو ارزیاب انسانی با یک سامانه دسته‌بندی مبتنی بر هوش مصنوعی ترکیب شد.
ویدیوهایی که حداقل ۳۰٬۴۰۰ پسند یا دست‌کم ۱٬۰۵۰ اشتراک‌گذاری داشتند، به‌عنوان محتوای دارای تعامل بالا تعریف شدند؛ این اعداد نشان‌دهنده چهارک بالایی (صدک ۷۵) در نمونه بررسی‌شده بودند.
معیارهای ارزیابی کیفیت
برای سنجش کیفیت اطلاعات ارائه‌شده در هر ویدیو، از دو ابزار معتبر استفاده شد: ابزار اصلاح‌شده DISCERN (mDISCERN) و مقیاس کیفیت جهانی (GQS). GQS که بر پایه مقیاس لیکرت پنج‌درجه‌ای طراحی شده است، کیفیت محتوای سلامت آنلاین را از نظر وضوح، جامعیت و ارزش آموزشی ارزیابی می‌کند. ابزار mDISCERN نیز شاخص‌هایی مانند اعتبار منابع، بیان خطرات و مزایا، توازن اطلاعات و ارائه منابع را بررسی می‌کند.
امتیازهای GQS و mDISCERN با ترکیبی از ارزیابی انسانی و یک سامانه هوش مصنوعی مبتنی بر مدل زبانی بزرگ، یعنی ChatGPT Free با GPT-5.5 Instant، تولید شد. برای امتیازدهی هوش مصنوعی، ابتدا متن ویدیوها با ابزار Evernote AI Transcribe استخراج شد و سپس این متن‌ها برای ارزیابی کیفیت استفاده شدند. پیش از تحلیل، همه متن‌های استخراج‌شده به‌صورت دستی بررسی شدند تا خطاهای مهم رونویسی شناسایی و اصلاح شوند.
تحلیل احساسات دیدگاه‌های استخراج‌شده
برای هر ویدیو، ۱۰ دیدگاه نخست کاربران استخراج شد تا احساسات آن‌ها بررسی شود. دو ارزیاب انسانی به‌طور مستقل احساس هر دیدگاه را در سه دسته مثبت، منفی یا خنثی طبقه‌بندی کردند. برای استانداردسازی نمونه‌گیری، تعداد ثابتی از دیدگاه‌ها برای هر ویدیو انتخاب شد تا ویدیوهای دارای تعداد بسیار زیاد دیدگاه، سهم نامتناسبی در تحلیل نداشته باشند. میزان توافق دو ارزیاب با ضریب کاپای کوهن سنجیده شد.
تحلیل احساسات مبتنی بر هوش مصنوعی
پس از بررسی انسانی، طبقه‌بندی احساسات دیدگاه‌ها با کمک دو مدل زبانی بزرگ، ChatGPT و Claude Sonnet 4.6، انجام شد. هر دو مدل با استفاده از رویکرد حساس به زمینه و قواعد از پیش تعیین‌شده، دیدگاه‌ها را به سه گروه مثبت، منفی و خنثی تقسیم کردند. پیش از تحلیل، واژگان تخصصی، شاخص‌های زمینه‌ای و آستانه‌های طبقه‌بندی در اختیار مدل‌ها قرار گرفت تا تشخیص نشانه‌های ظریف احساسی مانند شکلک‌ها، زبان استعاری و نشانه‌های غیرزبانی دقیق‌تر شود.
تحلیل آماری
برای اطمینان از تکرارپذیری، تحلیل مبتنی بر هوش مصنوعی در دو نوبت مستقل و با تاریخ دسترسی، حساب کاربری و محیط شبکه متفاوت انجام شد و تنها خروجی‌هایی که در هر دو اجرا کاملاً یکسان بودند، در مجموعه داده نهایی قرار گرفتند. ارتباط میان نوع محتوا، گروه تولیدکننده و شاخص‌های تعامل با روش‌های آماری توصیفی و استنباطی بررسی شد. به دلیل توزیع غیرپارامتریک داده‌ها، برای مقایسه میانه گروه‌ها از آزمون Mann-Whitney U استفاده شد. مقدار p کمتر از ۰٫۰۵ به‌عنوان سطح معناداری آماری در نظر گرفته شد.
نتایج
در مجموع ۱۴۰ ویدیوی تیک‌تاک مرتبط با کوچک کردن پستان شناسایی و تحلیل شد. بیشتر محتوا توسط بیماران تولید شده بود (۱۲۴ ویدیو؛ ۸۹ درصد) و پس از آن جراحان قرار داشتند (۱۱ ویدیو؛ ۸ درصد). از نظر نوع محتوا، تجربه‌های پس از عمل غالب‌ترین دسته بود (۱۰۵ ویدیو؛ ۷۵ درصد)، پس از آن محتوای آموزشی (۱۴؛ ۱۰ درصد)، تجربه پیش از عمل (۱۲؛ ۹ درصد)، ویدیوهای آگاهی/طنز/حمایت (۶؛ ۴ درصد) و محتوای مربوط به خود فرایند جراحی (۳؛ ۲ درصد) قرار داشتند.
میانه مدت ویدیوها ۲۸٫۵ ثانیه بود و ویدیوها به‌طور میانه ۱۷۱ روز پیش از جمع‌آوری داده‌ها منتشر شده بودند. میانه تعداد پسندها ۳٬۸۶۰٫۵، دیدگاه‌ها ۱۳۱، ذخیره‌ها ۴۰۰ و اشتراک‌گذاری‌ها ۱۹۴٫۵ بود. تعداد دنبال‌کنندگان تولیدکنندگان محتوا به‌طور میانه ۱۱٬۴۰۰ نفر بود و شاخص تعامل میانه ۰٫۴۴ گزارش شد.
کیفیت محتوا که با ابزارهای GQS و mDISCERN توسط انسان و هوش مصنوعی ارزیابی شد، در تمام ارزیابی‌ها در پایین‌ترین محدوده امتیاز قرار داشت و میانه امتیازها برای هر دو ابزار بین ۱ تا ۲ بود.
ویدیوهای دارای پسند بالا
ویدیوهایی که ۳۰٬۴۰۰ پسند یا بیشتر داشتند با ویدیوهای دارای پسند کمتر مقایسه شدند. تفاوت معناداری میان دو گروه از نظر نوع تولیدکننده، نوع محتوا، تعداد هشتگ‌ها، سن ویدیو یا تعداد دنبال‌کنندگان مشاهده نشد. با این حال، ویدیوهای دارای پسند بالا به‌طور معناداری کوتاه‌تر بودند (۱۸ در برابر ۳۴ ثانیه) و در تمام شاخص‌های تعامل شامل دیدگاه، ذخیره، اشتراک‌گذاری، شاخص اشتراک‌گذاری روزانه و شاخص تعامل عملکرد بسیار بالاتری داشتند.
همچنین ویدیوهای دارای پسند بالا از سوی هر دو ارزیاب انسانی امتیاز کیفیت پایین‌تری در GQS دریافت کردند. امتیاز mDISCERN ارزیاب دوم انسانی نیز در این گروه پایین‌تر بود، در حالی که تفاوت امتیازهای هوش مصنوعی از نظر آماری معنادار نبود.
ویدیوهای دارای اشتراک‌گذاری بالا
الگوی مشابهی در مقایسه ویدیوهای دارای حداقل ۱٬۰۵۰ اشتراک‌گذاری مشاهده شد. نوع تولیدکننده، نوع محتوا، تعداد هشتگ، عمر ویدیو و تعداد دنبال‌کنندگان میان گروه‌ها تفاوت معناداری نداشت، اما ویدیوهای دارای اشتراک‌گذاری بالا کوتاه‌تر بودند و در تمام شاخص‌های تعامل عملکرد بسیار بیشتری نشان دادند.
این ویدیوها همچنین امتیازهای پایین‌تری در GQS از سوی هر دو ارزیاب انسانی دریافت کردند. امتیاز mDISCERN ارزیاب دوم انسانی نیز در این گروه پایین‌تر بود، در حالی که تفاوت ارزیابی هوش مصنوعی معنادار نبود.
تحلیل احساسات
تحلیل احساسات روی ۱٬۲۹۹ دیدگاه موجود انجام شد. هر دو ارزیاب انسانی بیشتر دیدگاه‌ها را مثبت ارزیابی کردند (ارزیاب اول: ۵۲ درصد؛ ارزیاب دوم: ۴۹ درصد). سهم دیدگاه‌های منفی ۹ تا ۱۱ درصد و دیدگاه‌های خنثی ۳۹ تا ۴۰ درصد بود. تحلیل Claude نتایجی مشابه ارائه کرد (مثبت: ۵۸ درصد؛ منفی: ۷ درصد؛ خنثی: ۳۵ درصد). در مقابل، ChatGPT سهم بیشتری از احساسات منفی را شناسایی کرد (۲۳ درصد) و سهم احساسات مثبت را کمتر برآورد کرد (۴۶ درصد).
توافق میان دو ارزیاب انسانی بسیار بالا بود (κ=۰٫۸۹۸). توافق میان دو سامانه هوش مصنوعی در سطح متوسط قرار داشت (κ=۰٫۵۲۶). در مقایسه با استاندارد انسانی، Claude تطابق بیشتری با طبقه‌بندی انسانی نشان داد (κ=۰٫۷۴۹) و ChatGPT نیز توافق قابل‌توجهی داشت (κ=۰٫۶۴۹).
بحث
این مطالعه مقطعی روی ۱۴۰ ویدیوی تیک‌تاک مرتبط با کوچک کردن پستان نشان داد که محتوا عمدتاً توسط بیماران تولید می‌شود و بیشتر بر تجربه‌های پس از عمل تمرکز دارد. با وجود تعامل بالا، کیفیت اطلاعاتی ویدیوها طبق ارزیابی انسانی و هوش مصنوعی پایین بود. ویدیوهایی که بیشترین پسند و اشتراک‌گذاری را داشتند، کوتاه‌تر بودند و تعامل بیشتری ایجاد کردند، اما امتیازهای کیفیت پایین‌تری گرفتند. این یافته نشان می‌دهد محبوبیت محتوا الزاماً با ارزش آموزشی یا قابلیت اعتماد اطلاعات آن مرتبط نیست.
یافته‌های این مطالعه با پژوهش‌های مربوط به محتوای تیک‌تاک درباره بزرگ کردن پستان تفاوت قابل‌توجهی دارد. در حالی که در مطالعات پیشین، جراحان تولیدکنندگان اصلی محتوای مربوط به بزرگ کردن پستان بودند، در این مطالعه ۸۹ درصد ویدیوهای کوچک کردن پستان توسط بیماران ساخته شده بود. با وجود تفاوت در نوع تولیدکننده و موضوع محتوا، هر دو مطالعه کیفیت اطلاعاتی پایین را نشان دادند.
رابطه معکوس میان کیفیت محتوا و میزان تعامل کاربران نشان می‌دهد محتوای کم‌کیفیت ممکن است در الگوریتم‌های شبکه‌های اجتماعی دسترسی و دیده‌شدن بیشتری پیدا کند. این مسئله از نظر سلامت عمومی اهمیت دارد، زیرا اطلاعات نادرست یا ساده‌سازی‌شده می‌تواند بر شکل‌گیری انتظارات بیماران و تصمیم‌های درمانی آن‌ها تأثیر نامتناسب بگذارد.
نتایج مطالعه نشان می‌دهد حضور محدود محتوای مبتنی بر شواهد و تولیدشده توسط جراحان، فرصتی از دست‌رفته برای آموزش بیماران است. در مقابل، تعامل بیشتر محتوای کم‌کیفیت نشان می‌دهد اطلاعات سلامت دقیق و مسئولانه در فضای مبتنی بر توجه شبکه‌های اجتماعی با چالش ساختاری روبه‌رو است.
در تحلیل احساسات، Claude تطابق بیشتری با طبقه‌بندی انسانی نسبت به ChatGPT نشان داد؛ هرچند هر دو مدل در تشخیص برخی ظرافت‌های زبانی، به‌ویژه احساسات خنثی، محدودیت‌هایی داشتند. با توجه به حجم نسبتاً محدود نمونه، عملکرد این مدل‌ها باید در داده‌های بزرگ‌تر بررسی شود.
در مجموع، هیچ مدل زبانی بزرگی را نمی‌توان به‌طور مطلق برتر در تحلیل احساسات دانست و بهبود مستمر مدل‌ها، به‌ویژه در تشخیص مفاهیمی مانند طعنه، احساسات غیرمستقیم و حالت‌های زبانی پیچیده، پیش از استفاده گسترده بالینی ضروری است.
محدودیت‌ها
این مطالعه دارای محدودیت‌هایی بود؛ از جمله حجم نمونه نسبتاً کوچک، استفاده از تنها یک عبارت جست‌وجو («Breast Reduction») و تأثیر الگوریتم اختصاصی تیک‌تاک بر نتایج جست‌وجو. ابزارهای GQS و mDISCERN تنها برخی جنبه‌های کیفیت محتوا را بررسی می‌کنند و ممکن است همه ابعاد ارزش آموزشی یا دقت اطلاعاتی را پوشش ندهند. تحلیل احساسات خودکار نیز ممکن است در تشخیص طعنه، کنایه و معانی وابسته به زمینه دچار مشکل شود.
همچنین دقت متن‌های استخراج‌شده از ابزارهای هوش مصنوعی تیک‌تاک می‌تواند تحت تأثیر وضوح گفتار، تلفظ، نویز پس‌زمینه و لحن قرار گیرد. از آنجا که هر دو مدل از طریق رابط‌های مصرف‌کننده استفاده شدند، پارامترهایی مانند دمای تولید قابل تنظیم یا مشاهده نبودند. این مطالعه ارتباط‌ها را بررسی می‌کند و رابطه علّی را اثبات نمی‌کند.
خطاهای رونویسی می‌توانند بر تحلیل‌های بعدی مانند ارزیابی احساسات و کیفیت اثر بگذارند. طراحی مقطعی مطالعه امکان بررسی روندهای زمانی را محدود می‌کند. همچنین تنها محتوای عمومی مرتبط با هشتگ‌های کوچک کردن پستان بررسی شد؛ بنابراین ویدیوهایی با اصطلاحات عامیانه یا هشتگ‌های متفاوت ممکن است از دست رفته باشند. نتایج نیز تنها مربوط به تیک‌تاک است و ممکن است به پلتفرم‌هایی مانند اینستاگرام، فیسبوک یا یوتیوب تعمیم پیدا نکند.
نتیجه‌گیری
محتوای مربوط به کوچک کردن پستان در تیک‌تاک عمدتاً توسط بیماران تولید می‌شود و بیشتر بر تجربه‌های پس از عمل تمرکز دارد، در حالی که کیفیت اطلاعاتی کلی پایین باقی می‌ماند. ویدیوهای دارای بیشترین تعامل کوتاه‌تر بودند و امتیاز کیفیت پایین‌تری دریافت کردند؛ موضوعی که نشان می‌دهد محبوبیت با ارزش آموزشی برابر نیست. احساس عمومی نسبت به کوچک کردن پستان عمدتاً مثبت بود و تحلیل احساسات مبتنی بر هوش مصنوعی، به‌ویژه Claude AI، تطابق قابل‌توجهی با ارزیابی انسانی نشان داد. با توجه به نقش رو به رشد تیک‌تاک در شکل‌دهی برداشت‌ها درباره ماموپلاستی کاهشی، جراحان پلاستیک و دیگر متخصصان سلامت باید نقش فعال‌تری در تولید و انتشار محتوای دقیق و مبتنی بر شواهد در شبکه‌های اجتماعی ایفا کنند.
پیوست‌ها
پیوست ۱
| امتیاز | توصیف امتیاز کلی |
| ۱ | کیفیت بسیار ضعیف؛ ارائه نامنظم، کمبود قابل‌توجه اطلاعات و کاربرد حداقلی برای بیماران. |
| ۲ | کیفیت پایین؛ محتوای محدود و بدون ساختار مناسب که موضوعات مهم بسیاری را پوشش نمی‌دهد. |
| ۳ | کیفیت متوسط؛ برخی اطلاعات مهم ارائه شده اما بخش‌هایی ناقص یا نامشخص هستند. |
| ۴ | کیفیت خوب؛ محتوای منظم و نسبتاً جامع با برخی کمبودهای جزئی. |
| ۵ | کیفیت عالی؛ محتوای کامل، ساختاریافته و بسیار آموزنده برای بیماران. |
پیوست ۲
| مورد | توضیح: بله (۱ امتیاز) / خیر (۰ امتیاز) |
| ۱ | آیا اهداف روشن هستند و تحقق یافته‌اند؟ |
| ۲ | آیا از منابع اطلاعاتی معتبر استفاده شده است؟ |
| ۳ | آیا اطلاعات ارائه‌شده متعادل و بدون جانبداری است؟ |
| ۴ | آیا منابع اضافی برای مراجعه بیماران ارائه شده است؟ |
| ۵ | آیا موارد عدم قطعیت یا اختلاف‌نظر ذکر شده‌اند؟ |
پیوست ۳
آماده‌سازی ارزیاب‌های دیدگاه و هوش مصنوعی
راهنما: واکنش‌های کاربران به یک پست تیک‌تاک درباره کوچک کردن پستان یا ماموپلاستی کاهشی را ارزیابی کنید. هر دیدگاه باید به‌عنوان دارای احساس مثبت، خنثی یا منفی طبقه‌بندی شود.
احساس مثبت: شامل دیدگاه‌هایی است که شادی، خوش‌بینی یا برداشت مطلوب را نشان می‌دهند و معمولاً با حمایت از تولیدکننده محتوا همراه هستند.
احساس منفی: شامل متن‌هایی است که احساسات، قضاوت‌ها یا دیدگاه‌های نامطلوب و انتقادی را بیان می‌کنند.
احساس خنثی: زمانی به کار می‌رود که دیدگاه بار احساسی مثبت یا منفی مشخصی ندارد و بیشتر حالتی متعادل یا توصیفی دارد.