Social Media and Medical Education in the Context of the COVID-19 Pandemic: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has brought virtual web-based learning to the forefront of medical education as training programs adapt to physical distancing challenges while maintaining the rigorous standards of medical training. Social media has unique and partially untapped potential to supplement formal medical education. OBJECTIVE: The aim of this review is to provide a summary of the incentives, applications, challenges, and pitfalls of social media-based medical education for both trainees and educators. METHODS: We performed a literature review via PubMed of medical research involving social media platforms, including Facebook, Twitter, Instagram, YouTube, WhatsApp, and podcasts. Papers were reviewed for inclusion based on the integrity and power of the study. RESULTS: The unique characteristics of social media platforms such as Facebook, Twitter, Instagram, YouTube, WhatsApp, and podcasts endow them with unique communication capabilities that serve different educational purposes in both formal and informal education settings. However, contemporary medical education curricula lack widespread guidance on meaningful use, application, and deployment of social media in medical education. CONCLUSIONS: Clinicians and institutions must evolve to embrace the use of social media platforms for medical education. Health care professionals can approach social media engagement in the same ethical manner that they would with patients in person; however, health care institutions ultimately must enable their health care professionals to achieve this by enacting realistic social media policies. Institutions should appoint clinicians with strong social media experience to leadership roles to spearhead these generational and cultural changes. Further studies are needed to better understand how health care professionals can most effectively use social media platforms as educational tools. Ultimately, social media is here to stay, influencing lay public knowledge and trainee knowledge. Clinicians and institutions must embrace this complementary modality of trainee education and champion social media as a novel distribution platform that can also help propagate truth in a time of misinformation, such as the COVID-19 pandemic.
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 | 0,006 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,012 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».