An Updated Review of Plastic Surgery-Related Hashtag Utilization on Instagram: Implications for Education and Marketing
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
BACKGROUND: The popularity of social media continues to have a significant impact in the plastic surgery industry. Understanding the influence of such platforms and recognizing trends, specifically on Instagram, can reveal significant implications for education and marketing. OBJECTIVES: This study aims to gather updated information on 3 main questions: (1) what plastic surgery-related content is being posted to Instagram; (2) who is posting this content; and (3) what specific hashtags are they using? METHODS: This study analyzed 22 plastic surgery-related hashtags on Instagram. Content analysis was then used to qualitatively evaluate each of the 9 "top" posts associated with each hashtag (198). Any duplicates or posts not relevant to plastic surgery were excluded. RESULTS: A total of 11,516,969 posts utilized the 22 hashtags sampled. Of the top 198 posts, only 168 met final inclusion criteria (after duplicates and posts irrelevant to plastic surgery were excluded). Plastic surgeons eligible for membership in The Aesthetic Society accounted for only 4.17% of top posts (7 posts), whereas non-eligible physicians accounted for 20.8% (35 posts). Twenty-eight surgeons accounted for the top posts (excluding foreign surgeons); however, only 6 were board certified by either the American Board of Plastic Surgeons or The Royal College of Physicians and Surgeons of Canada. CONCLUSIONS: The Aesthetic Society eligible board-certified plastic surgeons are a minority amongst physicians posting top plastic surgery-related content on Instagram.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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