The Dramatic Increase in Social Media in Urology
Notice bibliographique
Résumé
PURPOSE: Social media are established tools for rapid information dissemination to a broad audience. A major use has been the compilation of conference specific messaging known as tweets via preselected hashtags on Twitter. We analyzed Twitter use between consecutive years at the AUA (American Urological Association) and CUA (Canadian Urological Association) annual meetings. MATERIALS AND METHODS: Publicly available tweets containing the established meeting hashtags were abstracted from an online archive. Tweets were categorized by author type and by content as informative (based on research presented at the conference) or uninformative (unrelated to presented data) according to an established classification scheme. RESULTS: We analyzed 5,402 tweets during the combined 18 meeting days, of which 4,098 were original and 1,304 were rebroadcast prior tweets. There was a large increase in Twitter use at the 2013 annual meetings compared to the 2012 meetings (4,591 tweets from a total of 540 accounts vs 811 from 134). Biotechnology analysts represented the highest volume of tweets (226 or 28%) in 2012 but in 2013 this majority shifted to urologists (2,765 or 60%). Of the tweets 29% were categorized as informative in 2012, which increased to 41% at the 2013 meetings. CONCLUSIONS: Twitter has emerged as a significant communication platform at urological meetings. Use increased dramatically between 2012 and 2013. Urologists have increasingly led this discussion with an increased focus on data arising from meeting proceedings. This adjunct to traditional meeting activity merits the attention of urologists and the professional associations that host such meetings.
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 | 0,010 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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; un appel candidat d’une seule tête enseignante, 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 ».