Impact of a Physician-Led Social Media Sharing Program on a Medical Journal’s Web Traffic
Notice bibliographique
Résumé
PURPOSE: The use of social media by health professionals and medical journals is increasing. The aim of this study was to compare online views of articles in press (AIPs) released by Annals of Emergency Medicine before and after a nine-person social media team started actively posting links to AIPs using their personal Twitter accounts. METHODS: An observational before-and-after study was conducted. Web traffic data for Annals were obtained from the publisher (Elsevier), detailing the number of page views to annemergmed.com by referring websites during the study period. The preintervention time period was defined as January 1, 2013, to June 30, 2014, and the postintervention period as July 1, 2014, to July 31, 2015. The primary outcome was page views from Twitter per AIP released each month to account for the number of articles published each month. Secondary outcomes included page views from Facebook (on which there was no article-sharing intervention) and total article views per month. RESULTS: The median page views from Twitter per individual AIP released each month increased from 33 in the preintervention period to 130, for an effect size of 97 (95% confidence interval, 56-111; P < .001). There was a smaller increase in median page views from Facebook per individual AIP of 21 (95% confidence interval, 10-32). There was no significant increase in these median values for total page views per AIP. CONCLUSIONS: Twitter sharing of AIPs increased the number of page views that came from Twitter but did not increase the overall number of page views.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».