Worldwide Presence of National Anesthesia Societies on Four Major Social Networks in 2021: Observational Case Study
Notice bibliographique
Résumé
BACKGROUND: Although the presence of medical societies on social networks (SNs) could be interesting for disseminating professional information, there is no study investigating their presence on SNs. OBJECTIVE: The aim of this viewpoint is to describe the worldwide presence and activity of national anesthesia societies on SNs. METHODS: This observational study assessed the active presence (≥1 post in the year preceding the collection date) of the World Federation of Societies of Anesthesiologists member societies on the SNs Twitter, Facebook, Instagram, and YouTube. We collected data concerning each anesthesia society on the World Federation of Societies of Anesthesiologists website. RESULTS: Among the 136 societies, 66 (48.5%) had an active presence on at least one SN. The most used SN was Facebook (n=60, 44.1%), followed by Twitter (n=37, 27.2%), YouTube (n=26, 19.1%), and Instagram (n=16, 11.8%). The SN with the largest number of followers was Facebook for 52 (78.8%) societies and Twitter for 12 (18.2%) societies. The number of followers was 361 (IQR 75-1806) on Twitter, 2494 (IQR 1049-5369) on Facebook, 1400 (IQR 303-3058) on Instagram, and 214 (IQR 33-955) on YouTube. There was a strong correlation between the number of posts and the number of followers on Twitter (r=0.95, 95% CI 0.91-0.97; P<.001), Instagram (r=0.83, 95% CI 0.58-0.94; P<.001), and YouTube (r=0.69, 95% CI 0.42-0.85; P<.001). According to the density of anesthetists in the country, there was no difference between societies with and without active SN accounts. CONCLUSIONS: Less than half of national anesthesia societies have at least one active account on SNs. Twitter and Facebook are the most used SNs.
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 | 0,003 | 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 | 0,002 | 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 | 0,000 |
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 ».