Distribution of core content coverage among three popular emergency medicine podcasts: A 10‐year analysis
Notice bibliographique
Résumé
Objective: Podcasts are increasingly utilized as educational tools within emergency medicine (EM). As EM residency programs seek to incorporate asynchronous educational material, it is important to ensure we are covering the full breadth of EM core content. This study sought to describe the distribution of EM core content among three popular EM podcasts. Methods: We performed a retrospective study of the distribution of podcast topics among three popular EM podcasts from July 2011 to June 2021. We evaluated the podcast episode content and alignment with the EM core content, as defined by the Model of the Clinical Practice of Emergency Medicine (MCPEM) and American Board of Emergency Medicine (ABEM) examination distribution. Data are presented descriptively. Results: We identified 2759 podcast episodes, consisting of 7413 total topics and 2498.7 hours of content. The most frequently covered topics were "signs, symptoms, and presentations" (20.1% of total hours vs. 7.9% of MCPEM and 10.0% of ABEM exam) and "procedures and skills integral to the practice of emergency medicine" (14.8% of total hours vs. 8.1% of MCPEM and 8.0% of ABEM exam). The least frequently covered topics was were "immune system disorders"(0.5% of total hours vs. 2.0% of MCPEM and 2.0% of ABEM exam),"environmental disorders"(0.8% of total hours vs. 2.4% of MCPEM and 2.0% of ABEM exam), "obstetrics and gynecology" (1.0% of total hours vs. 5.4% of MCPEM and 3.0% of ABEM exam), and "cutaneous disorders" (0.9% of total hours vs. 4.3% of MCPEM and 3.0% of ABEM exam). Conclusions: Our findings suggest an imbalance of MCPEM core content in three popular EM podcasts.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».