A Blog Literacy Level Project: Analyzing the Relationship Between FOAMed Resource Characteristics in Blog Posts and Knowledge Dissemination
Notice bibliographique
Résumé
Introduction: Growing evidence supports the use of social media in medical education. One benefit is individual customization of the learning environment. Few investigators, however, have examined the stylistic characteristics of Free Open Access Medical Education (FOAMed) resources. Objective: We investigated the ideal reading level of FOAMed blog posts. Methods: We collected posts from the BoringEM.org blog, a multiauthor, peer-reviewed emergency medicine FOAMed blog. Posts are created by students, residents, and physicians; the resulting text varies in literary ease. We used Wordpress Page to extract the Flesch Reading Ease Score (FRES), a measure of literary difficulty. We used Google Analytics to track page views, unique page views, and cities reached, as markers of dissemination. Results: We included 6 months of blog posts (58 articles) in our final analysis. Pearson correlation showed no association between FRES and number of page views (r 1⁄4 0.138, P 1⁄4 .31), unique page views (r 1⁄4 0.143, P 1⁄4 .29), or number of cities reached (r 1⁄4 0.002, P 1⁄4 .99). There was a moderate correlation between word count and number of page views (r 1⁄4 0.38, P , .001) and word count and cities reached (r 1⁄4 0.36, P , .001). Conclusions: We were not able to identify an optimal reading level for FOAMed posts, as FRES were not correlated with markers of dissemination. This may be due to the high reading level of medical practitioners. Ultimately, subgroup analyses examining the characteristics of our readership may shed light on the literary characteristics that appeal to these groups.
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 | 0,008 | 0,087 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».