Social media in knowledge translation and education for physicians and trainees: a scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: The use of social media is rapidly changing how educational content is delivered and knowledge is translated for physicians and trainees. This scoping review aims to aggregate and report trends on how health professions educators harness the power of social media to engage physicians for the purposes of knowledge translation and education. METHODS: A scoping review was conducted by searching four databases (PubMed, Scopus, Embase, and ERIC) for publications emerging between 1990 to March 2018. Articles about social media usage for teaching physicians or their trainees for the purposes of knowledge translation or education were included. Relevant themes and trends were extracted and mapped for visualization and reporting, primarily using the Cook, Bordage, and Schmidt framework for types of educational studies (Description, Justification, and Clarification). RESULTS: There has been a steady increase in knowledge translation and education-related social media literature amongst physicians and their trainees since 1996. Prominent platforms include Twitter (n = 157), blogs (n = 104), Facebook (n = 103), and podcasts (n = 72). Dominant types of scholarship tended to be descriptive studies and innovation reports. Themes related to practice improvement, descriptions of the types of technology, and evidence-based practice were prominently featured. CONCLUSIONS: Social media is ubiquitously used for knowledge translation and education targeting physicians and physician trainees. Some best practices have emerged despite the transient nature of various social media platforms. Researchers and educators may engage with physicians and their trainees using these platforms to increase uptake of new knowledge and affect change in the clinical environment.
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.
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 | 0,001 | 0,012 |
| 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 | 0,000 |
| 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 découle