MétaCan
Menu
Retour à la cohorte
Enregistrement W4320507990 · doi:10.2196/42042

Postgraduate-Year-1 Residents’ Perceptions of Social Media and Virtual Applicant Recruitment: Cross-sectional Survey Study

2023· article· en· W4320507990 sur OpenAlexvenueno aff
Daniel Plack, Arnoley S. Abcejo, Molly B. Kraus, J. Ross Renew, Timothy R. Long, Emily E. Sharpe

Notice bibliographique

RevueInteractive Journal of Medical Research · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSocial mediaCross-sectional studyMedical educationPerceptionPandemicCoronavirus disease 2019 (COVID-19)PsychologyMedicineComputer scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The dissemination of information about residency programs is a vital step in residency recruitment. Traditional methods of distributing information have been printed brochures, websites, in-person interviews, and increasingly, social media. Away rotations and in-person interviews were cancelled, and interviews were virtual for the first time during the COVID-19 pandemic. OBJECTIVE: The purpose of our study was to describe postgraduate-year-1 (PGY1) residents' social media habits in regard to residency recruitment and their perceptions of the residency programs' social media accounts in light of the transition to virtual interviews. METHODS: A web-based 33-question survey was developed to evaluate personal social media use, perceptions of social media use by residency programs, and perceptions of the residency program content. Surveys were sent in 2021 to PGY1 residents at Mayo Clinic in Arizona, Florida, and Minnesota who participated in the 2020-2021 interview cycle. RESULTS: Of the 31 program directors contacted, 22 (71%) provided permission for their residents to complete the survey. Of 219 residents who received the survey, 67 (30%) completed the survey. Most respondents applied to a single specialty, and greater than 61% (41/67) of respondents applied to more than 30 programs. The social media platforms used most regularly by the respondents were Instagram (42/67, 63%), Facebook (36/67, 54%), and Twitter (22/67, 33%). Respondents used the program website (66/67, 99%), residents (47/67, 70%), and social media (43/67, 64%) as the most frequent resources to research programs. The most commonly used social media platforms to research programs were Instagram (38/66, 58%), Twitter (22/66, 33%), and Doximity (20/66, 30%). The type of social media post ranked as most interesting by the respondents was "resident life outside of the hospital." In addition, 68% (39/57) of the respondents agreed or strongly agreed that their perception of a program was positively influenced by the residency program's social media account. CONCLUSIONS: In this multispecialty survey of PGY1 residents participating in the 2020-2021 virtual interview season, respondents preferred Instagram to Twitter or Facebook for gathering information on prospective residency programs. In addition, the program website, current residents, and social media platforms were the top-ranked resources used by prospective applicants. Having an up-to-date website and robust social media presence, particularly on Instagram, may become increasingly important in the virtual interview environment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,495
Tête enseignante GPT0,621
Écart entre enseignants0,126 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInteractive Journal of Medical ResearchMême sujetSocial Media in Health EducationTravaux en français237 207