Cliques within the crowd: identifying medical conference attendee subgroups by their motivations for participation
Notice bibliographique
Résumé
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 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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».