Evaluating YouTube as a Source of Patient Education on the Role of the Hospitalist: A Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: Hospital medicine is a relatively new specialty field, dedicated to the delivery of comprehensive medical care to hospitalized patients. YouTube is one of the most frequently used websites, offering access to a gamut of videos from self-produced to professionally made. OBJECTIVE: The aim of our study was to determine the adequacy of YouTube as an effective means to define and depict the role of hospitalists. METHODS: YouTube was searched on November 17, 2014, using the following search words: "hospitalist," "hospitalist definition," "what is the role of a hospitalist," "define hospitalist," and "who is a hospitalist." Videos found only in the first 10 pages of each search were included. Non-English, noneducational, and nonrelevant videos were excluded. A novel 7-point scoring tool was created by the authors based on the definition of a hospitalist adopted by the Society of Hospital Medicine. Three independent reviewers evaluated, scored, and classified the videos into high, intermediate, and low quality based on the average score. RESULTS: A total of 102 videos out of 855 were identified as relevant and included in the analysis. Videos uploaded by academic institutions had the highest mean score. Only 6 videos were classified as high quality, 53 as intermediate quality, and 42 as low quality, with 82.4% (84/102) of the videos scoring an average of 4 or less. CONCLUSIONS: Most videos found in the search of a hospitalist definition are inadequate. Leading medical organizations and academic institutions should consider producing and uploading quality videos to YouTube to help patients and their families better understand the roles and definition of the hospitalist.
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 | 0,029 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».