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
BACKGROUND: Social media use is growing inexorably, and there is public appetite for evidence-based information. Little is known about engagement by plastic surgeons with social media. The aim of this study was to examine posting about plastic surgery on Twitter, to best inform how board-certified plastic surgeons could use the hashtag #PlasticSurgery as a tool to educate patients and the public. METHODS: A prospective analysis of 2880 "tweets" containing the words "plastic surgery" was performed. The following were assessed: identity of author, use of the hashtag #PlasticSurgery, subject matter, whether link to study was provided, and whether posts by surgeons were self-promotional or educational. RESULTS: Social media posting about plastic surgery is dominated by the public, accounting for 70.6 percent of posts versus only 6.0 percent by plastic surgeons. Only 5.4 percent of all tweets contained the hashtag #PlasticSurgery, although almost half of those that did were by plastic surgeons. Of these, 61.3 percent of posts by plastic surgeons were about aesthetic surgery; additional posts were about basic science, patient safety, and reconstruction (13.9, 4.0, and 2.3 percent, respectively). Eighteen scientific articles were referenced, with a link to the Journal site posted in two tweets. Of posts by plastic surgeons, 37.0 percent were self-promotional. CONCLUSIONS: The American Society of Plastic Surgeons and its Journal have recognized that social media may be used to educate and engage. Board-certified plastic surgeons have a great opportunity to promote evidence-based plastic practice by means of #PlasticSurgery in the interests of supporting patients and the profession.
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 | 0,001 | 0,106 |
| 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 | 0,000 | 0,001 |
| 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) | 0,002 | 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 découle