Social Media in Neuro-Ophthalmology: Paradigms, Opportunities, and Strategies
Notice bibliographique
Résumé
BACKGROUND: Social media (SoMe) is an integral part of life in the 21st century. Its potential for rapid dissemination and amplification of information offers opportunities for neuro-ophthalmologists to have an outsized voice to share expert-level knowledge with the public, other medical professionals, policymakers, and trainees. However, there are also potential pitfalls, because SoMe may spread incorrect or misleading information. Understanding and using SoMe enables neuro-ophthalmologists to influence and educate that would otherwise be limited by workforce shortages. EVIDENCE ACQUISITION: A PubMed search for the terms "social media" AND "neuro-ophthalmology," "social media" AND "ophthalmology," and "social media" AND "neurology" was performed. RESULTS: Seventy-two neurology articles, 70 ophthalmology articles, and 3 neuro-ophthalmology articles were analyzed. A large proportion of the articles were published in the last 3 years (2020, 2021, 2022). Most articles were analyses of SoMe content; other domains included engagement analysis such as Altmetric analysis, utilization survey, advisory opinion/commentary, literature review, and other. SoMe has been used in medicine to share and recruit for scientific research, medical education, advocacy, mentorship and medical professional networking, and branding, marketing, practice building, and influencing. The American Academy of Neurology, American Academy of Ophthalmology, and North American Neuro-Ophthalmology Society have developed guidelines on the use of SoMe. CONCLUSIONS: Neuro-ophthalmologists may benefit greatly from harnessing SoMe for the purposes of academics, advocacy, networking, and marketing. Regularly creating appropriate professional SoMe content can enable the neuro-ophthalmologist to make a global impact.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».