Facebook use among early-career veterinarians in Ontario, Canada (March to May 2010)
Notice bibliographique
Résumé
OBJECTIVE: To explore the nature and content of information publicly posted to Facebook by early-career veterinarians. DESIGN: Cross-sectional descriptive study. Sample-352 early-career veterinarians. PROCEDURES: Publicly accessible Facebook profiles were searched online from March to May 2010 for profiles of early-career veterinarians (graduates from 2004 through 2009) registered with the College of Veterinarians of Ontario, Canada. The content of veterinarians' Facebook profiles was evaluated and then categorized as low, medium, or high exposure in terms of the information a veterinarian had publicly posted to Facebook. Through the use of content analysis, high-exposure profiles were further analyzed for publicly posted information that may have posed risks to an individual's or the profession's public image. RESULTS: Facebook profiles for 352 of 494 (71%) registered early-career veterinarians were located. One-quarter (25%) of profiles were categorized as low exposure (ie, high privacy), over half (54%) as medium exposure (i.e., medium privacy), and 21% as high exposure (i.e., low privacy). Content analysis of the high-exposure profiles identified publicly posted information that may pose risks to an individual's or the profession's reputation, including breaches of client confidentiality, evidence of substance abuse, and demeaning comments toward others. CONCLUSIONS AND CLINICAL RELEVANCE: Almost a quarter of veterinarians' Facebook profiles viewed in the present study contained publicly available content of a questionable nature that could pose a risk to the reputation of the individual, his or her practice, or the veterinary profession. The increased use of Facebook and all types of social media points to the need for raised awareness by veterinarians of all ages of how to manage one's personal and professional identities online to minimize reputation risks for individuals and their practices and to protect the reputation and integrity of the veterinary profession.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».