Factors influencing sustainability of online platforms for professionals: a mixed-method study in OECD countries
Notice bibliographique
Résumé
Online platforms can support health and educational professionals in their daily work; however, it is challenging to keep online platforms sustainable. This paper aims to indicate the most important factors of platform sustainability from the perspective of professionals involved in online platforms. Further, it aims to understand how these factors operate. A mixed methods study was carried out among professionals from Europe, Australia, the USA and Canada. In the first phase, the importance of 54 factors from the literature was assessed with a questionnaire among 17 professionals. The relative importance of the factors and the consensus regarding this importance were calculated using median scores and interquartile deviations. In total, 19 factors were selected representing general characteristics, characteristics related to the platform, communication, visitor and context. In the second phase, insight was gained regarding the experiences with those factors through 12 individual Skype interviews. The most frequently mentioned important factors of platform sustainability were (i) having sufficient time, resources and expertise, (ii) user friendliness and (iii) creating a sense of belonging. Platforms should use a planned approach to address a combination of factors directly from platform development. Gaining long-term resources is challenging and should be considered from the start of a project by building partnerships. To promote user friendliness, platforms should be simple, have a clear set-up and provide high-quality tools. Finally, establishing a sense of belonging could be supported by branding and face-to-face networking activities. For all aspects, involving visitors and stakeholders is essential.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».