Social media in surgery: evolving role in research communication and beyond
Notice bibliographique
Résumé
PURPOSE: To present social media (SoMe) platforms for surgeons, how these are used, with what impact, and their roles for research communication. METHODS: A narrative review based on a literature search regarding social media use, of studies and findings pertaining to surgical disciplines, and the authors' own experience. RESULTS: Several social networking platforms for surgeons are presented to the reader. The more frequently used, i.e., Twitter, is presented with details of opportunities, specific fora for communication, presenting tips for effective use, and also some caveats to use. Details of how the surgical community evolved through the use of the hashtag #SoMe4Surgery are presented. The impact on gender diversity in surgery through important hashtags (from #ILookLikeASurgeon to #MedBikini) is discussed. Practical tips on generating tweets and use of visual abstracts are presented, with influence on post-production distribution of journal articles through "tweetorials" and "tweetchats." Findings from seminal studies on SoMe and the impact on traditional metrics (regular citations) and alternative metrics (Altmetrics, including tweets, retweets, news outlet mentions) are presented. Some concerns on misuse and SoMe caveats are discussed. CONCLUSION: Over the last two decades, social media has had a huge impact on science dissemination, journal article discussions, and presentation of conference news. Immediate and real-time presentation of studies, articles, or presentations has flattened hierarchy for participation, debate, and engagement. Surgeons should learn how to use novel communication technology to advance the field and further professional and public interaction.
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 | 0,007 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».