‘Uncrunching’ time: medical schools’ use of social media for faculty development
Notice bibliographique
Résumé
PURPOSE: The difficulty of attracting attendance for in-person events is a problem common to all faculty development efforts. Social media holds the potential to disseminate information asynchronously while building a community through quick, easy-to-use formats. The authors sought to document creative uses of social media for faculty development in academic medical centers. METHOD: In December 2011, the first author (P.S.C.) examined the websites of all 154 accredited medical schools in the United States and Canada for pages relevant to faculty development. The most popular social media sites and searched for accounts maintained by faculty developers in academic medicine were also visited. Several months later, in February 2012, a second investigator (C.W.S.) validated these data via an independent review. RESULTS: Twenty-two (22) medical schools (14.3%) employed at least one social media technology in support of faculty development. In total, 40 instances of social media tools were identified--the most popular platforms being Facebook (nine institutions), Twitter (eight institutions), and blogs (eight institutions). Four medical schools, in particular, have developed integrated strategies to engage faculty in online communities. CONCLUSIONS: Although relatively few medical schools have embraced social media to promote faculty development, the present range of such uses demonstrates the flexibility and affordability of the tools. The most popular tools incorporate well into faculty members' existing use of technology and require minimal additional effort. Additional research into the benefits of engaging faculty through social media may help overcome hesitation to invest in new technologies.
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 | 0,002 | 0,134 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».