Quantifying the Twitter Influence of Third Party Commercial Entities versus Healthcare Providers in Thirteen Medical Conferences from 2011 – 2013
Notice bibliographique
Résumé
INTRODUCTION: Twitter channels are increasingly popular at medical conferences. Many groups, including healthcare providers and third party entities (e.g., pharmaceutical or medical device companies) use these channels to communicate with one another. These channels are unregulated and can allow third party commercial entities to exert an equal or greater amount of Twitter influence than healthcare providers. Third parties can use this influence to promote their products or services instead of sharing unbiased, evidence-based information. In this investigation we quantified the Twitter influence that third party commercial entities had in 13 major medical conferences. METHODS: We analyzed tweets contained in the official Twitter hashtags of thirteen medical conferences from 2011 to 2013. We placed tweet authors into one of four categories based on their account profile: healthcare provider, third party commercial entity, none of the above and unknown. We measured Twitter activity by the number of tweet authors per category and the tweet-to-author ratio by category. We measured Twitter influence by the PageRank of tweet authors by category. RESULTS: We analyzed 51159 tweets authored by 8778 Twitter account holders in 13 conferences that were sponsored by 5 medical societies. A quarter of all authors identified themselves as healthcare providers, while only 18% could be identified as third party commercial entities. Healthcare providers had a greater tweet-to-author ratio than their third party commercial entity counterparts (8.98 versus 6.93 tweets). Despite having less authors and composing less tweets, third party commercial entities had a statistically similar PageRank as healthcare providers (0.761 versus 0.797). CONCLUSION: The Twitter influence of third party commercial entities (PageRank) is similar to that of healthcare providers. This finding is interesting because the number of tweets and third party commercial entity authors required to achieve this PageRank is far fewer than that needed by healthcare providers. Without safety mechanisms in place, the Twitter channels of medical conferences can devolve into a venue for the spread of biased information rather than evidence-based medical knowledge that is expected at live conferences. Continuing to measure the Twitter influence that third parties exert can help conference organizers develop reasonable guidelines for Twitter channel activity.
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».