Notice bibliographique
Résumé
OBJECTIVE: The objective of this study was to examine the correlation between Twitter mentions and the number of academic citations of radiation oncology articles. MATERIALS AND METHODS: We reviewed all 178 clinical manuscripts of the 2 most important radiation oncology journals and "Brachytherapy," and all clinical manuscripts relating to radiation oncology from the top 10 impact factor oncology journals, published between January and February 2018. We collected the record of citations utilizing Scopus and Google Scholar platforms and the number of times an article was tweeted about using the "Altmetric Bookmarklet." χ test was used to compare distributions between groups and the Pearson coefficient was used for correlations between the Twitter metrics and academic citations. RESULTS: Overall, 71% of all articles were tweeted about at least once. There was a significant correlation between the number of tweets and the number of citations in Google Scholar (r=0.55, P<0.001) and in Scopus (r=0.59, P<0.001). The 11% of articles with a prepublication Twitter "buzz" (defined as an article with ≥10 tweets before publication) had 3.6 times more citations in Scopus (mean: 14.8 vs. 4.2, P<0.001) and 2.9 times more citations in Google Scholar (17.8 vs. 6.0, P<0.001) when compared with papers with no "buzz." CONCLUSIONS: Presence on Twitter was correlated with the number of academic citations of an article in radiation oncology. This suggests that Twitter is being utilized by the oncology community as a platform to discuss and disseminate high impact scientific articles. The correlation between Twitter and increasing the number of citations of an article through larger dissemination and exposure requires further studies.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,262 | 0,233 |
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 source (Gemma direct ou Codex distillé), 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 ».