Assessing YouTube as an Educational Tool for Shingles: Cross-Sectional Study
Notice bibliographique
Résumé
Background YouTube is a popular platform with many videos, which have potential educational value for medical students. Due to the lack of peer review, other surrogates are necessary to determine the content quality of such educational videos. Few studies have analyzed the research background or academic affiliation of the physicians associated with the production of YouTube videos for medical education. The research background or academic affiliations of those physicians may be a reflection of the content quality of these educational videos. Objective This study identifies physicians associated with the production of educational YouTube videos about shingles and analyzes those physicians based on their research background or academic affiliation, which may be good surrogates for video content quality. Methods Using the YouTube search engine with default settings, the term “shingles” was searched on May 8, 2020. A cross-sectional study was performed using the first 50 search results. A search on Scopus for each identified physician was performed, and data regarding their research background and academic affiliation were recorded. Results Of the 50 YouTube videos, 35 (70%) were categorized as academic. Of the 35 academic videos, 24 (71%) videos featured physicians, totaling 25 physicians overall. Out of these 25 physicians, 5 (20%) had at least 1 shingles-related publication and 8 (32%) had an h-index >10. A total of 21 (84%) physicians held an academic affiliation. Conclusions These results ensure to a certain degree the quality of the content in academic videos on YouTube for medical education. However, further evaluation is needed for this growing platform.
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 | 0,000 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».