#FOAMems: Engaging paramedics with free, online open-access education
Notice bibliographique
Résumé
BACKGROUND AND AIM: use among paramedics and other prehospital care clinicians is on the rise and is increasingly being used as a platform for continuing education and international collaboration. In 2014, the hashtag #FOAMems was registered. It is used for the sharing of emergency medical services, paramedicine, and prehospital care-related content. It is a component of the 'free open-access meducation' (FOAM) movement. The aim of this study was to characterize and evaluate the content of #FOAMems tweets since registration. MATERIALS AND METHODS: An analytical report for #FOAMems was generated on symplur.com from February 4, 2014, to April 30, 2017. A transcript of all #FOAMems tweets for a randomly selected 1 month period (October 2015) was generated, and quantitative content analysis was performed by two reviewers. Tweets were categorized according to source (original tweet/retweet) and whether referenced. The top 92 tweeters were analyzed for professional identity. RESULTS: During the study period, there were over 99,000 tweets containing #FOAMems, by over 9,200 participants. These resulted in almost 144 million impressions. Of the top 92 tweeters, 50 were paramedics (54%). Tweets were mainly related to cardiac (23%), leadership (19%), and trauma (14%). The 1-month period resulted in 649 original tweets, with 2110 retweets; 1070 of these were referenced. CONCLUSION: using #FOAMems. Social media resources are widely shared, which is in line with the FOAM movement's philosophy. However, opportunities exist for paramedics to share further diverse resources supported by referenced material.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».