Cardiovascular Conferences and Social Media
Notice bibliographique
Résumé
Nearly 5 billion people use social media. 1 The use of social media platforms by physicians for professional use has changed the landscape of communication in medicine with rapid delivery of and access to information.It played and continues to play a role in accelerating innovation, expanding diversity, equity, and inclusion efforts, raising under-addressed topics, and propelling collaborations.Social media use has been accelerated by the COVID-19 pandemic and the evolution of virtual meetings.2 One of the most prominent social media platforms in medicine is Twitter, a microblogging site with 300 to 400 million users and characterized by 280-character messages, or "tweets." 1 One in 8 researchers use Twitter to varying extents.3 Twitter has been strategically leveraged in medicine to generate professional networks, discuss developments in different fields, and crowdsource solutions for commonly faced challenges.It has also been used to amplify research, such as covering high-impact clinical trials and
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,011 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,019 | 0,007 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,038 | 0,034 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,026 |
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 source (Gemma direct ou Codex distillé), 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 ».