Analysis of Telehealth Versus Telemedicine Terminology in the <i>Telemedicine and e-Health</i> Journal Between 2010 and 2020
Notice bibliographique
Résumé
Introduction: The terms “ telemedicine ” and “ telehealth ” are similar, yet, carry different meanings and are often defined differently. Methods: A decadal longitudinal study analyzing the usage of these terms in the Telemedicine and e-Health Journal (TMJ) between 2010 and 2020 was conducted. Looking at the keywords assigned to the “ Original Research ” articles, “ telemedicine ” (34%) is used almost three times more than telehealth (12%). Although “ other ” keywords are assigned at a similar frequency as “ telemedicine ,” a similar pattern is followed for the terms within the text. Results: “ Telemedicine ” and “ other ” terms are used the most (36%), while articles using both (“ telemedicine ” and “ telehealth ”) (15%) or “ telehealth ” (14%) as terms throughout the article are less. This longitudinal study also analyzed the TMJs editorial board between 2010 and 2020. Most of the board is made up of physicians (MD or DO) (42) or PhDs (33), with 25 out the 75 having dual credentialing. Conclusions: Also, while there is international influence within the board (UK, India, France, Canada, etc.), most of the board is associated with an American organization (educational and/or corporate). Most of the board (34/75) has also been present between 10 and 11 years within the study period (a total of 11 years).
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 | 0,011 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,022 | 0,022 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».