The Social Media Editor at Medical Journals: Responsibilities, Goals, Barriers, and Facilitators
Notice bibliographique
Résumé
PURPOSE: To determine the responsibilities of journal social media editors (SMEs) and describe their goals and barriers and facilitators to their position. METHOD: The authors identified SMEs using an informal listserv and snowball sampling. Participants were interviewed (June-July 2016) about their position, including responsibilities; goals; barriers and facilitators; and attitudes and perceptions about the position. Themes were identified through a thematic analysis and consensus-building approach. Descriptive data, including audience metrics and 2016 impact factors, were collected. RESULTS: Thirty SMEs were invited; 24 were interviewed (19 by phone and 5 via e-mail). SMEs generally had a track record in the social media community before being invited to be SME; many had preexisting roles at their journal. Responsibilities varied considerably; some SMEs also served as decision editors. Many SMEs personally managed journal accounts, and many had support from nonphysician journal staff. Consistently, SMEs focused on improving reader engagement by disseminating new journal publications on social media. The authors identified goals, resources, and sustainability as primary themes of SMEs' perspectives on their positions. Editorial leadership support was identified as a key facilitator in their position at the journal. Challenges to sustainability included a lack of tangible resources and uncertainty surrounding, or a lack of, academic credit for social media activities. CONCLUSIONS: Many of the participating SMEs pioneered the use of social media as a platform for knowledge dissemination at their journals. While editorial boards were qualitatively supportive, SMEs were challenged by limited resources and lack of academic credit for social media work.
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 | 0,015 | 0,241 |
| 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 | 0,004 | 0,008 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».