MétaCan
Menu
Retour à la cohorte
Enregistrement W4377821117 · doi:10.2196/41388

Assessment of the Dissemination of COVID-19–Related Articles Across Social Media: Altmetrics Study

2023· article· en· W4377821117 sur OpenAlex
Haley Tornberg, Carine Moezinia, Chapman Wei, Simone A. Bernstein, Chaplin Wei, Refka Al-Beyati, Theodore Quan, David Diemert

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJMIR Formative Research · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMisinformation and Its Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAltmetricsCitationSocial mediaBibliometricsScopusCoronavirus disease 2019 (COVID-19)Dimension (graph theory)Citation analysisInformation DisseminationMEDLINELibrary scienceMedicineComputer scienceWorld Wide WebPolitical scienceMathematics

Résumé

récupéré en direct d'OpenAlex

Background The use of social media assists in the distribution of information about COVID-19 to the general public and health professionals. Alternative-level metrics (ie, Altmetrics) is an alternative method to traditional bibliometrics that assess the extent of dissemination of a scientific article on social media platforms. Objective Our study objective was to characterize and compare traditional bibliometrics (citation count) with newer metrics (Altmetric Attention Score [AAS]) of the top 100 Altmetric-scored articles on COVID-19. Methods The top 100 articles with the highest AAS were identified using the Altmetric explorer in May 2020. AAS, journal name, and mentions from various social media platforms (Twitter, Facebook, Wikipedia, Reddit, Mendeley, and Dimension) were collected for each article. Citation counts were collected from the Scopus database. Results The median AAS and citation count were 4922.50 and 24.00, respectively. TheNew England Journal of Medicine published the most articles (18/100, 18%). Twitter was the most frequently used social media platform with 985,429 of 1,022,975 (96.3%) mentions. Positive correlations were observed between AAS and citation count (r2=0.0973; P=.002). Conclusions Our research characterized the top 100 COVID-19–related articles by AAS in the Altmetric database. Altmetrics could complement traditional citation count when assessing the dissemination of an article regarding COVID-19. International Registered Report Identifier (IRRID) RR2-10.2196/21408

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.

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaBibliométrie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Observationnellow
gptMétarechercheBibliométrieCommunication savante
Domaine: Évaluation · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Observationnelhigh
modèles en désaccordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,472
Score d'incertitude au seuil0,938

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,006
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,181
Tête enseignante GPT0,581
Écart entre enseignants0,400 · 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