Cardiovascular Research and social media: connecting with researchers, advancing science
Notice bibliographique
Résumé
COVID-19 has changed the way people work and live. People are working from home and using different methods of communicating, collaborating, and conducting research. At this time, social media has never played a more important role and has created a new means of working. Cardiovascular Research strives to be a beacon of scientific excellence and publish meaningful basic and translational science, supporting the European Society of Cardiology’s (ESC) mission ‘to reduce the burden of cardiovascular disease’. Key to the Journal’s aim in driving scientific discovery and clinical delivery, Cardiovascular Research disseminates ground-breaking research,1 utilizing social media to engage young and experienced, basic science and clinical researchers alike, as well as the general public to share the latest discoveries. Whilst there are many social media platforms, Twitter attracts a large and growing interest from both cardiologists and the wider community.2 Cardiovascular Research’s Twitter account (@CVR_TomaszGuzik) has experienced steadily increasing growth and active engagement in the last 18 months drawn by the Journal’s innovative content that is relevant and useful, whilst being accessible and providing readers with an opportunity to interact with the Journal and each other, as well as further supporting the next generation of cardiovascular researchers.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,026 | 0,036 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,011 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».