Hashtag Global Surgery: The Role of Social Media in Advancing the Field of Global Surgery
Notice bibliographique
Résumé
INTRODUCTION: Surgery is increasingly recognized as an indispensable part of healthcare, but lack of awareness about its cost-effectiveness and cross-cutting impact remain. Social media has become an important resource for healthcare professionals in a variety of settings due to its instant global reach in a non-discriminatory and low-threshold manner. In 2010, #globalsurgery was first used on Twitter to spread awareness, foster international collaborations, and raise voices of advocates around the world. Here, we examine the role of social media in the field of global surgery. METHODS: The use of #globalsurgery on Twitter was analyzed through Tweetreach from July 31 to December 31, 2018. Additional analysis of hashtags in Spanish, Japanese, Malay, and Portuguese was done to determine the number of tweets, retweets, impressions, and users using #globalsurgery or translated hashtags. Sentiment analysis was performed to determine the affective state of tweets. RESULTS: A total of 4,519 tweets and 15,861 retweets were posted by 4,449 different contributors. Tweets totalled 58,733,406 potential direct impressions and 46,560,293 potential amplified impressions, with potential reach of 11,272,014. English was the major language (99.47%), followed by Spanish (0.49%) and Japanese (0.04%). Portuguese and Malay hashtags were not used during the study period. CONCLUSION: #globalsurgery provides an innovative way to overcome barriers and strengthen collaboration among advocates, and more effectively raise awareness about global surgery.
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 | 0,001 | 0,026 |
| 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 | 0,000 | 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 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 ».