Associations between the use of Twitter as a technology platform in oncology and the scientific impact of its users.
Notice bibliographique
Résumé
16 Background: Social media channels, such as Twitter, represent relatively new technology platforms for scientific users to disseminate research findings and communicate their views and interpretations to colleagues and followers. To date, the associations between the use of Twitter and the scientific impact of its users are unclear. Methods: All Canadian oncologists who are full members of the American Society of Clinical Oncology were identified from the online membership directory. Users of Twitter were defined as those with an active Twitter account, as of June 2019, and posted at least one tweet within the past year. Data regarding the number of tweets, likes, and followers were collected by an online search of Twitter. Scientific impact of each individual was assessed based on a user’s h-index and number of citations from Google Scholar as well as score from Research Gate. Associations were examined with summary statistics and correlation coefficients. Results: We identified 676 eligible oncologists of whom 80 (12%) and 596 (88%) currently use and do not use Twitter. Among the users, the median number (IQR) of tweets, likes, and followers were 196 (45-865), 325 (86-1,246), and 198 (89-449), respectively. The scientific impact of Twitter users versus non-users was statistically similar (see Table). Likewise, within the group of users, there was no correlation between the number of tweets, likes, and followers and the scientific impact of individuals (correlation coefficients 0.38, 0.34, and 0.41, respectively, all p > 0.05). Conclusions: Only 1 in 10 oncologists use Twitter, but those who use Twitter leveraged this technology platform frequently. There was no association between the use of Twitter and the scientific impact of its users. Views from a minority of oncologists are represented on Twitter. Such bias underscores the need to exercise caution when using social media for scientific knowledge exchange. Regular evaluations of new technologies are warranted to ensure the quality and rigor of their scientific content. [Table: see text]
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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; 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 ».