MétaCan
Menu
Retour à la cohorte
Enregistrement W3081371032 · doi:10.1007/s40037-020-00613-0

Good practices in harnessing social media for scholarly discourse, knowledge translation, and education

2020· article· en· W3081371032 sur OpenAlexafffund
Daniel Lu, Brandon Ruan, Mark Lee, Yusuf Yılmaz, Teresa M. Chan

Notice bibliographique

RevuePerspectives on Medical Education · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensMcMaster UniversityUniversity of British Columbia
Organismes subventionnairesPhysicians' Services Incorporated Foundation
Mots-clésSocial mediaSnowball samplingGrounded theoryQualitative researchSocial constructivismPublic relationsSociologyMedical educationPsychologyPedagogyMedicineSocial scienceComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: There still remains a gap between those who conduct science and those who engage in educating others about health sciences through various forms of social media. Few empirical studies have sought to define useful practices for engaging in social media for academic use in the health professions. Given the increasing importance of these platforms, we sought to define good practices and potential pitfalls with help of those respected for their work in this new field. METHODS: We conducted a qualitative study, guided by constructivist grounded theory principles, of 17 emerging experts in the field of academic social media. We engaged in a snowball sampling technique and conducted a series of semi-structured interviews. The analytic team consisted of a diverse group of researchers with a range of experience in social media. RESULTS: Understanding the strengths of various platforms was deemed to be of critical importance across all the participants. Key to building online engagement were the following: 1) Culture-building strategies; 2) Tailoring the message; 3) Responsiveness; and 4) Heeding rules of online engagement. Several points of caution were noted within our participants' interviews. These were grouped into caveat emptor and the need for critical appraisal, and common pitfalls when broadcasting one's self. DISCUSSION: Our participants were able to share a number of key practices that are central to developing and sharing educational content via social media. The findings from the study may guide future practitioners seeking to enter the space. These good practices support professionals for effective engagement and knowledge translation without being harmed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,210
score de la tête « metaresearch » (Gemma)0,190
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,968
Score d'incertitude au seuil0,974

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2100,190
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0120,007
Études des sciences et des technologies0,0170,061
Communication savante0,0320,037
Science ouverte0,0050,034
Intégrité de la recherche0,0080,009
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,197
Tête enseignante GPT0,505
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations43
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePerspectives on Medical EducationMême sujetSocial Media in Health EducationTravaux en français237 207