Medical journals, impact and social media: an ecological study of the Twittersphere
Notice bibliographique
Résumé
BACKGROUND: Twitter is an increasingly popular means of research dissemination. I sought to examine the relation between scientific merit and mainstream popularity of general medical journals. METHODS: I extracted impact factors and citations for 2014 for all general medical journals listed in the Thomson Reuters InCites Journal Citation Reports. I collected Twitter statistics (number of followers, number following, number of tweets) between July 25 and 27, 2015 from the Twitter profiles of journals that had Twitter accounts. I calculated the ratio of observed to expected Twitter followers according to citations via the Kardashian Index. I created the (Fifty Shades of) Grey Scale to calculate the analogous ratio according to impact factor. RESULTS: Only 28% (43/153) of journals had Twitter profiles. The scientific and social media impact of journals were correlated: in adjusted models, Twitter followers increased by 0.78% (95% confidence interval [CI] 0.38%-1.18%) for every 1% increase in impact factor and by 0.62% (95% CI 0.34%-0.90%) for every 1% increase in citations. Kardashian Index scores above the 99% CI were obsverved in 16% (7/43) of journals, including 6 of the 7 highest ranked journals by impact factor, whereas 58% (25/43) had scores below this interval. For the Grey Scale, 12% (5/43) of journals had scores above and 35% (15/43) had scores below the 99% CI. INTERPRETATION: The size of a general medical journal's Twitter following is strongly linked to its impact factor and citations, suggesting that higher quality research received more mainstream attention. Many journals have not capitalized on this dissemination method, although others have used it to their advantage.
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 | 0,013 | 0,059 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».