Factors Influencing Engagement Rate Of A Daily Twitter Campaign To Disseminate Exercise Oncology Literature
Notice bibliographique
Résumé
Twitter is a potential medium for health researchers and practitioners to disseminate research findings to colleagues and the general public. The Clinical Exercise Physiology Lab (CEPL; Vancouver, Canada) led a scientific Twitter campaign (#365Papers) in 2018, involving tweeting daily about one peer-reviewed publication related to cancer/exercise. Features of this campaign included Throwback Thursdays (selected article published prior to 2018) and guest tweeters (selected article chosen by other exercise oncology researchers). PURPOSE: To report on the impact to-date of the #365Papers campaign and explore how engagement rate differed based on publication features (type of research (i.e., systematic review, randomized controlled trial), journal impact factor, Altmetric Attention Score) and campaign features (i.e., Throwback Thursdays, guest tweeters). METHODS: Campaign data were obtained from Twitter Analytics (Twitter, 2020: San Francisco, USA) and summarized using descriptive statistics. Publication information was extracted by screening titles and abstracts. Each publication’s Altmetric Attention Score was obtained using the Altmetric Bookmarklet (Digital Science, Holtzbrinck Publishing Group, 2020: Stuttgart, Germany). RESULTS: As of October 2020, the #365Papers Twitter campaign received a total of 688,117 impressions and 22,124 engagements (median engagement rate = 3.2%), with the majority of engagement from URL clicks (n = 8279; 37%). Engagement rate did not differ based on type of research (p = 0.53), journal impact factor (r = -0.06; p = 0.27), Altmetric Attention Score (r = 0.01; p = 0.80), nor if the tweet was part of a Throwback Thursday (p = 0.97). However, guest tweets had significantly higher engagement rates versus non-guest tweets (median: 3.6% vs. 3.1%; p = 0.01). CONCLUSIONS: A daily scientific Twitter campaign can promote engagement around new scientific publications, especially when prominent figures in the research field are incorporated in the campaign process.
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 | 0,020 | 0,168 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».