An international, interprofessional investigation of the self-reported podcast listening habits of emergency clinicians: A METRIQ Study
Notice bibliographique
Résumé
OBJECTIVES: Podcasts are increasingly being used for medical education. A deeper understanding of usage patterns would inform both producers and researchers of medical podcasts. We aimed to determine how and why podcasts are used by emergency medicine and critical care clinicians. METHODS: An international interprofessional sample (medical students, residents, physicians, nurses, physician assistants, and paramedics) was recruited through direct contact and a multimodal social media (Twitter and Facebook) campaign. Each participant completed a survey outlining how and why they utilize medical podcasts. Recruitment materials included an infographic and study website. RESULTS: 390 participants from 33 countries and 4 professions (medicine, nursing, paramedicine, physician assistant) completed the survey. Participants most frequently listened to medical podcasts to review new literature (75.8%), learn core material (75.1%), and refresh memory (71.8%). The majority (62.6%) were aware of the ability to listen at increased speeds, but most (76.9%) listened at 1.0 x (normal) speed. All but 25 (6.4%) participants concurrently performed other tasks while listening. Driving (72.3%), exercising (39.7%), and completing chores (39.2%) were the most common. A minority of participants used active learning techniques such as pausing, rewinding, and replaying segments of the podcast. Very few listened to podcasts multiple times. CONCLUSIONS: An international cohort of emergency clinicians use medical podcasts predominantly for learning. Their listening habits (rarely employing active learning strategies and frequently performing concurrent tasks) may not support this goal. Further exploration of the impact of these activities on learning from podcasts is warranted.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».