Exploring differences in perceptions around Social Media Competencies: An Expert vs. Frontline User Study
Notice bibliographique
Résumé
Aim: Scholarly communities increasingly interact using social media (SoMe). This study investigated curricular expectations of expert and frontline SoMe users, with the goal of identifying differences that might inform the development of a curriculum designed to teach clinicians and researchers the effective use of SoMe.Methods: From May 15 to August 28, 2020, we recruited participants via the METRIQ study recruitment protocol. Participants were stratified into “expert” and “frontline” users based on prior experience with SoMe. “Expert” users were defined as having published SoMe research, run SoMe workshops, or through the use of a popular #SoMe account. All others were categorized as “frontline” users. Participants completed a 14-question survey (with 90 sub-questions) regarding the content, skills, and attitudes that they believed should be taught to educators or researchers new to SoMe.Results: In total, 224 users were invited, and 184 users filled out the survey. Experts were more likely to recommend teaching clinicians to use blogs (88% vs 74%), Facebook (46% vs 32%), Instagram (51% vs 34%), Medium (16% vs 4%), Snapchat (15% vs 4%), TikTok (29% vs 12%), and Twitter (97% vs 88%) compared to frontline users. Experts were more likely to recommend SoMe to foster communities of practice (83% vs 66%), disseminate research (80% vs 67%), and promote engagement for knowledge translation (86% vs 74%) compared to frontline users. Conclusions: There are few differences between the SoMe curricular expectations of expert vs. frontline users. These results could inform the creation of resources for teaching clinicians and researchers how to effectively use SoMe.
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 | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».