Novel survey disseminated through Twitter supports its utility for networking, disseminating research, advocacy, clinical practice and other professional goals
Notice bibliographique
Résumé
INTRODUCTION: Twitter use has grown exponentially within the urological community. We aimed to determine the perceptions of the impact of Twitter on users' clinical practice, research, and other professional activities. METHODS: We performed an 11-item online survey of Twitter contributors during two major urological meetings: the European Association of Urology (EAU) and the American Urological Association (AUA) annual meetings. During the EAU 2014 meeting, we distributed the survey via the meeting official Twitter feed. During the AUA 2014 meeting, we applied a new method by directly sending the survey to Twitter contributors. We performed a subset analysis for assessing the perceived impact of Twitter on the clinical practice of physicians. RESULTS: Among 312 total respondents, the greatest perceived benefits of Twitter among users were for networking (97%) and disseminating information (96%), followed by research (75%), advocacy (74%) and career development (62%). In total, 65% of Twitter users have dealt with guidelines on online medical professionalism and 71% of physician users found that Twitter had an impact on their clinical practice, and 33% had made a clinical decision based on an online case discussion. CONCLUSIONS: Our results suggest that Twitter users in the urological community perceive important benefits. These benefits extend to multiple professional domains, particularly networking, disseminating information, remote conference participation, research, and advocacy. This is the first study that has been disseminated to targeted individuals from the urological community directly through tweets, providing a proof of principle for this research method.
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 | 0,050 | 0,255 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».