Evidence-based medicine in the era of social media: Scholarly engagement through participation and online interaction
Notice bibliographique
Résumé
The integration of new knowledge into clinical practice continues to lag behind discovery. The use of Free Open Access Medical education (FOAM) has disrupted communication between emergency physicians, making it easy for practicing clinicians to interact with colleagues from around the world to discuss the latest and highest impact research. FOAM has the potential to decrease the knowledge translation gap, but the concerns raised about its growing influence are 1) research that is translated too quickly may cause harm if its findings are incorrect; 2) there is little editorial oversight of online material; and 3) eminent online individuals may develop an outsized influence on clinical practice. We propose that new types of scholars are emerging to moderate the changing landscape of knowledge translation: 1) critical clinicians who critically appraise research in the same way that lay reviewers critique restaurants; 2) translational teachers adept with these new technologies who will work with researchers to disseminate their findings effectively; and 3) interactive investigators who engage with clinicians to ensure that their findings resonate and are applied at the bedside. The development of these scholars could build on the promise of evidence-based medicine by enhancing the appraisal and translation of research in practice.
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 | 0,020 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,009 |
| Communication savante | 0,016 | 0,008 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,017 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».