MacEmerg Podcast: A Novel Initiative to Connect a Distributed Community of Practice
Notice bibliographique
Résumé
BACKGROUND: Regional knowledge dissemination and information sharing is a challenge among physically divided groups of physicians. Many staff and resident physicians do not have easy access to share clinical and medical education and research information with each other in an academic setting. Our divisions of emergency medicine could benefit from a novel approach aimed at improving overall connection and collaborative engagement. INNOVATION: By harnessing the sociomateriality properties of podcasting, we could achieve the dual goals of better connecting our faculty as well as educating the audience on aspects of clinical practice and education that are especially relevant to our region. We sought to primarily draw on local expertise for content. We developed a standardized structure for our monthly releases, with each episode composed of a main faculty segment, a resident-focused segment, and a medical education segment. Accessibility to the podcast was maximized through its publication across multiple platforms and detailed individual show notes were made available. OUTCOMES: We applied logic model methodology with the intended goal of having much of our content consumed by local faculty and trainees. Using Web-based analytic data, we were able to ascertain the proportion and number of listens that occurred from within our local university-affiliated and/or catchment region. Episodes averaged 227.7 ± 67.2 listens with an overall 44.1% of those originating from within our defined region. REFLECTION: Given the number of regional listeners we are consistently reaching, we have been effective in serving to connect a widely distributed group of academic physicians. As we continue to grow the podcast, we plan on collecting quantitative data to better ascertain its effect on our stated goals.
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 | 0,024 |
| 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 ».