#Cleftlip/Palate: What Is the World Talking About?
Notice bibliographique
Résumé
OBJECTIVE: Studies have begun analyzing how the world converses on social media platforms about medical/surgical topics. This study's objective was to examine how cleft lip and palate, two of the most common birth defects in the world, are discussed on the social media platform Twitter. No study to date has analyzed this topic. METHODS: Tweets were identified using any of the following: cleft, cleft lip, cleft palate, #cleft, #cleftlip, #cleftpalate. Eight months between 2017 and 2018 were analyzed. MAIN OUTCOME MEASURES: The primary outcome was the tweet subject matter. Secondary outcomes were author characteristics, tweet engagement, multimedia, and tweet accuracy. RESULTS: = .03). Twenty-seven countries tweeted, with the United States (34%) and India (27%) producing the most. Charities (36%), hospitals (14%), and physicians (13%) were the most common authors. Over three-quarters of tweets were self-promotional. The top content included charity information (22%) and patients' cleft stories (14%). Tweets about patient safety/care and surgical service trips generated the most engagement. The accuracy of educational tweets was 38% low accuracy and 1% inaccurate. One hundred forty-nine tweets (12%) discussed a published research article, but 41 tweets did not share a link. CONCLUSIONS: Charities dominate the cleft lip/palate "Twitterverse." Most tweets were self-promotional, and over a third of educational tweets were low accuracy. As the cleft social media community continues to grow, we recommend using the hashtag #cleft to reach a wider audience.
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 | 0,001 | 0,008 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».