How Twitter is changing the meaning of scholarly impact and engagement: Implications for qualitative social work research
Notice bibliographique
Résumé
Social media technologies continue to change the academic landscape. Twitter has become particularly popular in research arenas including social work and is being used for fieldwork, knowledge mobilization activities, advocacy, and professional networking. Although there has been some consideration of the benefits and risks of using social media in academia, little has been written from a qualitative social work perspective. Drawing on the example of Twitter, this article redresses this gap in the literature, by exploring how social media is changing the way research is conducted and promoted in relation to (1) measuring scholarly impact via altmetrics; (2) engaging with research participants; (3) networking and making collegial connections; and (4) advocating for social issues in the public realm. As we highlight tensions in each of these four areas, a key concern is how and for whom social media is contributing to the changing meaning of scholarly impact and engagement in research communities. We draw specific attention to how the inequalities that exist in academia writ large may be amplified on social media thus affecting overall engagement and perceived impact for researchers from marginalized social locations (e.g. gender, race, sexual orientation). We conclude by discussing specific implications of using social media in qualitative social work research and provide suggestions for future areas of inquiry.
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 | 0,200 | 0,220 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,009 |
| Études des sciences et des technologies | 0,019 | 0,039 |
| Communication savante | 0,021 | 0,023 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».