Neurology podcast utilization during the COVID-19 pandemic
Notice bibliographique
Résumé
As medical education shifted to a virtual environment during the early coronavirus disease 2019 (COVID-19) pandemic, we evaluated how neurology podcasting may have been utilized during this period, and which features of podcasts have been more highly sought by a medical audience. We conducted a retrospective analysis of neurology-themed blogs and/or podcasts between April 2019 and May 2020. Programs were eligible if they reported mean monthly downloads > 2000, were affiliated with an academic society, or offered continuing medical education credit. Thirty-day download counts were compared between study months, with adjustment for multiple testing. Exploratory analyses were performed to determine which podcast features were associated with higher downloads. Of the 12 neurology podcasts surveyed, 8 completed the survey and 5 met inclusion criteria. The median monthly download count was 2865 (IQR 869–7497), with significant variability between programs (p < 0.001). While there was a 358% increase in downloads during April 2020 when compared to the previous month, this was not significant (median 8124 [IQR 2913–14,177] vs. 2268 [IQR 540–6116], padj = 0.80). The non-significant increase in overall downloads during April 2020 corresponded to an increase in unique episodes during that month (r = 0.48, p = 0.003). There was no difference in 30-day downloads among episodes including COVID-19 content versus not (median 1979 [IQR 791–2873] vs. 1171 [IQR 405–2665], p = 0.28). In this unique, exploratory study of academic neurology-themed podcasts, there was no significant increase in episode downloads during the early COVID-19 pandemic. A more comprehensive analysis of general and subspecialty medical podcasts is underway.
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 | 0,002 | 0,022 |
| 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 | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».