The effect of an infographic promotion on research dissemination and readership: A randomized controlled trial
Notice bibliographique
Résumé
OBJECTIVE: Journals use social media to increase the awareness of their publications. Infographics show research findings in a concise and visually appealing manner, well suited for dissemination on social media platforms. We hypothesized that infographic abstracts promoted on social media would increase the dissemination and online readership of the parent research articles. METHODS: Twenty-four articles were chosen from the six issues of CJEM published between July 2016 and June 2017 and randomized to infographic or control groups. All articles were disseminated through the journal’s social media accounts (Twitter and Facebook). Control articles were promoted using a screen capture image of each article’s abstract on the journal’s social media accounts. Infographic articles were promoted similarly using a visual infographic. Infographics were also published and promoted on the CanadiEM.org’s website and social media channels. Abstract views, full-text views, and the change in Altmetric score were compared between groups using unpaired two-tailed t-tests. RESULTS: There were no significant differences in the groups at baseline. Abstract views (mean, 95% CI) were higher in the infographics (379, 287-471) than the control group (176, 136-215, p<0.001). Mean change in Altmetric scores was higher in the infographics (26, 18-34) than in the control group (3, 2-4, p<0.0001). There was no difference in full-text views between the infographics (50, 0-101) and control groups (25, 18-32). CONCLUSION: The promotion of CJEM articles using infographics on social media and the CanadiEM.org website increased Altmetric scores and abstract views. Infographics may have a role in increasing awareness of medical literature.
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 | 0,034 | 0,113 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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; 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 ».