Social media in medical education: a new pedagogical paradigm?
Notice bibliographique
Résumé
Social media is now a part of modern life.1 Internet based tools allow millions to keep in touch with each other and anyone to create, and publish content instantly. Individuals enjoy the fun, and rely on the functionality of social media in their daily lives. But the real power of social media is the impact of bringing together clusters of like-minded people to engage in real-time, on-line dialogue on topics that merely interest them—or about which they feel passionately: ‘community’ is no longer a function of geography. Crowd-sourced funding initiatives for start-up companies, and attempts to influence government or corporate policy through petitions ‘signed’ by thousands in a matter of days, are normal aspects of enterprise today. The Arab Spring is perhaps the most notable example of the potential impact of social media and shows how connecting thousands of people, in real time, can raise activism from a local concern to a worldwide movement.2 Such developments are way beyond the expectations of the small group of academics who, in 1989, invented the internet to improve communication between scientists.3 Their altruism, and insistence that the World Wide Web should be available ‘free’ to anyone on the planet, laid the foundation of today's developments. Social media has yet to have the same impact on medical practice as they are having on daily life. However, the internet is making a difference. Knowledge, once the monopoly of the professions is now available 24/7 to anyone with a search engine. Healthcare professionals must get used to losing this monopoly or they won't be able to function in today's world. Inexorably, the tenor of consultations is changing: doctors—once suppliers …
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 | 0,012 | 0,107 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».