Qualitative Twitter analysis of participants, tweet strategies, and tweet content at a major urologic conference
Notice bibliographique
Résumé
INTRODUCTION: The microblogging social media platform Twitter is increasingly being adopted in the urologic field. We aimed to analyze participants, tweet strategies, and tweet content of the Twitter discussion at a urologic conference. METHODS: A comprehensive analysis of the Twitter activity at the European Association of Urology Congress 2013 (#eau2013) was performed, including characteristics of user profiles, engagement and popularity measurements, characteristics and timing of tweets, and content analysis. RESULTS: Of 218 Twitter contributors, doctors (45%) were the most frequent, ahead of associations (15%), companies (10%), and journals (3%). However, journals had the highest tweet/participant rate (22 tweets/participant), profile activity (median: 1177, total tweets, 1805 followers, 979 following), and profile popularity (follower/following ratio: 2.1; retweet rank percentile: 96%). Links in a profile were associated with higher engagement (p<0.0001) and popularity (p<0.0001). Of 1572 tweets, 57% were original tweets, 71% contained mentions, 20% contained links, and 25% included pictures. The majority of tweets (88%) were during conference hours, with an average of 24.7 tweets/hour and a peak activity of 71 tweets/hour. Overall, 59% of tweets were informative, led by the topics uro-oncology (21%), urologic research (21%), and urotechnology (12%). Limitations include the analysis of a single conference analysis, assessment of global profile and not domain-specific activity, and the rapid evolution in Twitter-using habits. CONCLUSION: Results of this single conference qualitative analysis are promising for an enrichment of the scientific discussions at urologic conferences through the use of Twitter.
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 | 0,004 | 0,010 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».