YouTube Videos as a Source of Information About Immunology for Medical Students: Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: The use of the internet as a source of information has grown exponentially in the last decade. YouTube is currently the second most visited website and a major Web-based educational resource for medical students. OBJECTIVE: The aim of this study was to evaluate the quality, accuracy, and attractiveness of the information acquired from YouTube videos about 2 central concepts in immunology. METHODS: YouTube videos posted before August 27, 2018 were searched using selected keywords related to either antigen presentation or immunoglobulin gene rearrangement. Video characteristics were recorded, and the Video Power Index (VPI) was calculated. Videos were assessed using 5 validated scoring systems: understandability and attractiveness, reliability, content and comprehensiveness, global quality score (GQS), and a subjective score. Videos were categorized by educational usefulness and by source. RESULTS: A total of 82 videos about antigen presentation and 70 about immunoglobulin gene rearrangement were analyzed. Videos had a mean understandability and attractiveness score of 6.57/8 and 5.84/8, content and comprehensiveness score of 9.84/20 and 5.84/20, reliability score of 1.65/4 and 1.53/4, GQS of 3.38/5 and 2.76/5, and subjective score of 2.00/3 and 2.00/3, respectively. The organized channels group tended to have the highest VPI and GQS. CONCLUSIONS: YouTube can provide medical students with some useful information about immunology, although content wise it cannot substitute textbooks and academic courses. Students and teachers should be aware of the educational quality of available videos if they intend to use them in the context of blended learning.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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; 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 ».