What's on YOUR Facebook profile? Evaluation of an educational intervention to promote appropriate use of privacy settings by medical students on social networking sites
Notice bibliographique
Résumé
BACKGROUND: The rise of social media has led to growing concerns about the potential implications of 'unprofessional' postings by physicians and medical students on individuals, institutions, and the medical profession. Relevant and effective guidelines have been difficult to develop and enforce, and there is a need for students and physicians to consider how their online activities may be perceived in the context of their professional roles. The purpose of this project was to examine the Internet presence of a graduating Canadian medical school class by scanning students' public profiles on the social media site Facebook, incorporate this information into an educational activity addressing professionalism and social media, and evaluate the impact of this activity on student behavior. METHODS: A systematic search for public Facebook profiles of each member of the class was conducted, and data were collected on the types of publicly visible material. These were presented as part of an educational session on social media and professionalism. One month later, the Facebook search was repeated. RESULTS: Of 152 students in the class, profiles were found for 121 (79.8%). The majority of students used appropriately restrictive privacy settings; however, a significant minority had publicly visible information, including comments, photographs, location, and status as a medical student. The educational innovation was well received with more than 90% of students agreeing that this topic was important and well addressed. A follow-up search found that many students had altered their privacy settings to make less information publicly available. CONCLUSIONS: A small but significant proportion of students share potentially unprofessional content on social media. An interactive educational intervention, which includes specific disclosure of how participants appear to others on social media, resulted in a significant change in student behavior.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».