MétaCan
Menu
Retour à la cohorte
Enregistrement W4367395269 · doi:10.1007/s10459-023-10220-3

Cliques within the crowd: identifying medical conference attendee subgroups by their motivations for participation

2023· article· en· W4367395269 sur OpenAlexaff
Sai Sreenidhi Ram, Daniel Stricker, Carine Pannetier, Nathalie Tabin, Richard W. Costello, Daiana Stolz, Kevin W. Eva, Sören Huwendiek

Notice bibliographique

RevueAdvances in Health Sciences Education · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueConferences and Exhibitions Management
Établissements canadiensCentre for Advancing Health OutcomesUniversity of British Columbia
Organismes subventionnairesUniversity of BernEuropean Respiratory Society
Mots-clésAttendanceEnthusiasmStakeholderPsychologyThematic analysisMedical educationPreferenceKnowledge managementPublic relationsQualitative researchComputer scienceSocial psychologySociologyMedicine

Résumé

récupéré en direct d'OpenAlex

Conferences enable rapid information sharing and networking that are vital to career development within academic communities. Addressing diverse attendee needs is challenging and getting it wrong wastes resources and dampens enthusiasm for the field. This study explores whether, and how, motivations for attendance can be grouped in relation to preferences to offer guidance to organizers and attendees. A pragmatic constructivist case study approach using mixed methods was adopted. Semi-structured interviews completed with key informants underwent thematic analysis. Survey results outlining attendees' perspectives underwent cluster and factor analysis. Stakeholder interviews (n = 13) suggested attendees could be grouped by motivations predictable from level of specialisation in a field and past engagement with conferences. From n = 1229 returned questionnaires, motivations were clustered into three factors: learning, personal and social. Three groups of attendees were identified. Group 1 (n = 500; 40.7%) was motivated by all factors. Group 2 (n = 345; 28.1%) was mainly motivated by the learning factor. Group 3 (n = 188; 15.3%) scored the social factor highest for in-person conferences and the learning factor highest for virtual meetings. All three groups expressed a preference for hybrid conferences in the future. This study indicates that medical conference attendees can be clustered based on their learning, personal and social motivations for attendance. The taxonomy enables organizers to tailor conference formats with guidance on how to utilize hybrid conferences, thereby enabling better catering to attendees' desires for knowledge gain relative to networking.

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)0,004
score de la tête « metaresearch » (Gemma)0,018
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 enseignants0,006
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,018
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0040,002
Études des sciences et des technologies0,0030,001
Communication savante0,0030,002
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,090
Tête enseignante GPT0,465
Écart entre enseignants0,375 · 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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Health Sciences EducationMême sujetConferences and Exhibitions ManagementTravaux en français237 207