Characteristics of General Surgery Social Media Influencers on Twitter
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 The influence of social media and Twitter in general surgery research, mentorship, networking, and education is growing. Limited data exist regarding individuals who control the dialogue. Our goal was to characterize influencers leading the discussion in general surgery. Methods Right Relevance Insight API was searched for “general surgery,” and individual influencers were ranked by a comprehensive assessment of connections (followers/following) and engagement (likes, retweets, and comments). Profession, specialty, gender, and location were collected utilizing Twitter, Doximity, LinkedIn, ResearchGate, and institutional websites. American Board of Surgery and Royal College of Physicians and Surgeons of Canada were queried for board certification and academic h-index scores were acquired from Scopus. Results Eighty-eight individual influencers in general surgery were identified, with 73 holding positions in general surgery. Attending level general surgeons comprised 50%, of which 91% are board certified, and 94% completed a fellowship (surgical oncology, laparoscopic surgery, critical care/trauma, and colorectal surgery). Residents comprised 31%; 11% were nonsurgeons and 3% were not physicians. The majority of residents and fellow influencers were female (72%). Many general surgery influencers were international (51%), particularly Canadian (28% overall). The academic h-indices for these influencers (n = 73) ranged from 0 to 73 (mean 14.5 ± 8.2; median 9.5). Discussion Our data describe the positions, backgrounds, and research contributions of the top Twitter influencers in general surgery. Those engaged in social media should consider the background, expertise, and motivation of these influencers as the utilization and impact of this platform grows.
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 | 0,001 | 0,005 |
| 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 | 0,001 |
| 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 découle