Medical Institutions and Twitter: A Novel Tool for Public Communication in Japan
Notice bibliographique
Résumé
BACKGROUND: Twitter is a free social networking and microblogging service on the Internet. Medical professionals and patients have started to use Twitter in medicine. Twitter use by medical institutions can interactively and efficiently provide public health information and education for laypeople. OBJECTIVE: This study examined Twitter usage by medical institutions. METHODS: We reviewed all Japanese user accounts in which the names of medical institutions were described in the user's Twitter profile. We then classified medical institutions' tweets by content. RESULTS: We extracted 168 accounts for medical institutions with ≥500 followers. The medical specialties of those accounts were dentistry and oral surgery (n=73), dermatology (n=12), cosmetic surgery (n=10), internal medicine (n=10), ophthalmology (n=6), obstetrics and gynecology (n=5), plastic surgery (n=2), and others (n=50). Of these, 21 accounts tweeted medical knowledge and 45 accounts tweeted guidance about medical practice and consultation hours, including advertisements. In the dentistry and oral surgery accounts, individual behavior or thinking was the most frequent (22/71, 31%) content. On the other hand, consultation including advertisements was the most frequent (14/23, 61%) in cosmetic surgery, plastic surgery, and dermatology. CONCLUSIONS: Some medical specialties used Twitter for disseminating medical knowledge or guidance including advertisements. This indicates that Twitter potentially can be used for various purposes by different medical specialties.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».