The public’s attitude towards doctors’ use of Twitter and perceived professionalism: an exploratory study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Medical professionals use social media to interact with other healthcare professionals, discuss medical issues and promote healthcare information. These platforms have tremendous power to promote healthcare messages but also have potential to damage the profession if used inappropriately. It is currently unknown how others perceive medical doctors' Twitter activity and, therefore, we conducted an online survey exploring these views. METHODS: We used a Google Forms questionnaire consisting of 21 questions, which we distributed on Twitter, exploring doctors', patients', the public's and other healthcare professionals' views of doctors' Twitter activities. We investigated factors that were associated with mistrust by univariate and multivariate analysis. RESULTS: Seven-hundred and twenty-six respondents completed the survey. By univariate analysis, a higher proportion of non-doctors reported witnessing unprofessional behaviour and potential breaches of patient confidentiality compared with doctors (p<0.01). In addition, a significantly higher proportion of non-doctors felt that doctors' Twitter accounts should be monitored by both their employer and regulator when compared with doctors. By multivariate analysis, the main predictor of mistrust in the profession were those that had previously witnessed unprofessional behaviour (odds ratio 2.70; 95% confidence interval 2.08-3.33; p<0.01). CONCLUSION: There are discrepancies in how doctors and non-doctors view Twitter activity and significant mistrust in the profession was brought about by doctors' Twitter activity. To help limit this, adherence to current guidelines set out by the General Medical Council and British Medical Association is vital and doctors should be cautious about how their Twitter activity is professionally perceived by others before posting.
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.
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 | 0,005 | 0,055 |
| 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 | 0,001 | 0,002 |
| 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 découle