Insta-Grated Plastic Surgery Residencies: 2020 Update
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: Recent evidence shows accelerating worldwide adoption of social media and suggests a commensurate increase in social media use by integrated plastic surgery residency programs in the United States. Programs nationwide are now making strides to include a longitudinal social media component in their plastic surgery curriculum. OBJECTIVES: The aim of this study was to investigate the use of Instagram by plastic surgery residency programs and to describe trends in adoption, volume, and content. METHODS: Current active Instagram accounts affiliated to integrated plastic surgery residency programs were surveyed to identify date of first post, number of posts, number of followers, number of followings, engagement rate, most-liked posts, and content of posts. All data were collected on May 12, 2020. RESULTS: Sixty-nine out of 81 (85.2%) integrated plastic surgery residency programs had Instagram accounts, totaling 5,544 posts. This represents an absolute increase in program accounts of 392% since 2018. The 100 most-liked posts were categorized as: promotion of the program/individual (46), resident life (32), promotion of plastic surgery (14), and education (8). CONCLUSIONS: Instagram use by plastic surgery residency programs has drastically increased since it was first evaluated in 2018. This trend will continue as we reach near saturation of residency programs with accounts. We remain steadfast in our belief that the advantages of social media use by plastic surgeons and trainees are far outweighed by the potential community-wide impacts of violations of good social media practice on peers, patients, and the general public.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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