Capturing and Articulating Visual Media as Scholarship
Notice bibliographique
Résumé
Recent advancements in social media and educational technologies have facilitated dissemination of information in visual formats to broad audiences. When academic and creative visual media work is of high quality and accessible via various platforms (eg, in journals, on websites), it can meet the definition of scholarship.However, visual scholarship is sometimes viewed as an afterthought. For example, even venues that include visual abstracts with manuscripts may encourage authors to create visual abstracts post-submission to promote the article rather than as an independent scholarly pursuit. Typically, annual performance reviews, accreditation requirements, and promotion and tenure processes do not recognize or reward visual media as scholarly activity, despite the considerable technical and pedagogical skills required for its creation.The updated Accreditation Council for Graduate Medical Education (ACGME) Common Program Requirements define scholarship as including discovery, application, and teaching.1 This position builds on antecedent work by Boyer and Glassick.2,3The Declaration on Research Assessment (DORA) has encouraged scholars to equitably acknowledge each form of scholarship by using specific quality metrics, rather than relying on surrogate measures such as impact factor.4 DORA explores how we can value various forms of visual scholarship as meaningful contributions to the medical and medical education communities. For example, infographics and tweetorials can be examined by dissemination measures using journal-based or platform-based metrics such as Altmetric or Twitter analytics, respectively.5
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 | 0,005 | 0,045 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».