Using Big Data to Assess Legitimacy of Plastic Surgery Information on Social Media
Notice bibliographique
Résumé
BACKGROUND: The proliferation of social media in plastic surgery poses significant difficulties for the public in determining legitimacy of information. This work proposes a system based on social network analysis (SNA) to assess the legitimacy of information contributors within a plastic surgery community. OBJECTIVES: The aim of this study was to quantify the centrality of individual or group accounts on plastic surgery social media by means of a model based on academic plastic surgery and a single social media outlet. METHODS: To develop the model, a high-fidelity, active, and legitimate source account in academic plastic surgery (@psrc1955, Plastic Surgery Research Council) appearing only on Instagram (Facebook, Menlo Park, CA) was chosen. All follower-followed relationships were then recorded, and Gephi (https://gephi.org/) was used to compute 5 different centrality metrics for each contributor within the network. RESULTS: In total, 64,737 unique users and 116,439 unique follower-followed relationships were identified within the academic plastic surgery community. Among the metrics assessed, the in-degree centrality metric is the gold standard for SNA, hence this metric was designated as the centrality factor. Stratification of 1000 accounts by centrality factor demonstrated that all of the top 40 accounts were affiliated with a plastic surgery residency program, a board-certified academic plastic surgeon, a professional society, or a peer-reviewed journal. None of the accounts in the top decile belonged to a non-plastic surgeon or non-physician; however, this increased significantly beyond the 50th percentile. CONCLUSIONS: A data-driven approach was able to identify and successfully vet a core group of interconnected accounts within a single plastic surgery subcommunity for the purposes of determining legitimate sources of information.
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 | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».