Enhancing engagement beyond the conference walls: analysis of Twitter use at #ICPIC2019 infection prevention and control conference
Notice bibliographique
Résumé
BACKGROUND: Social media may provide a tool, when coupled with a patient-included™ conference, to enhance the engagement among the general public. We describe authors and potential readers of Twitter content surrounding a patient-included™ scientific congress, the International Consortium for Prevention and Infection Control (ICPIC) 2019. METHODS: Retrospective observational analysis of Twitter users posting with the #ICPIC2019 hashtag during the conference. Tweet authors, overall followers, and active followers were categorized according to their Twitter biographies using unsupervised learning. Diversity of professional backgrounds of Tweet authors and their followers was explored. Network analysis explored connectedness between the reach of authors. RESULTS: In total, 1264 participants attended ICPIC 2019, of which 28 were patients. From September 7 to 16, 2019, we were able to categorize 235'620 (41%) followers linked to 474 (76%) authors. Among authors and followers, respectively 34% and 14% were healthcare workers, 11% and 15% were from industry representatives, 8% and 7% were academic researchers. On average, 23% (range 9-39%) followers belonged to the same categories as authors. Among all followers categorized, only 582/235 620 (0.25%) interacted with original messages, including healthcare workers (37%), global and public health (12%), academic research (11%) and those from industry (11%). Though the similarity between Tweet authors and followers was supported by network analysis, we also observed that non-healthcare workers (including patients) appeared to have more diverse followers. CONCLUSIONS: We observed the participation of numerous Tweet authors and followers from diverse professional backgrounds potentially supporting the benefit of including patients in conferences to reach a more general, non-specialized public.
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».