Assessing the Use of Twitter to Share Canadian Residency Match Information During the COVID-19 Pandemic
Notice bibliographique
Résumé
Purpose In their final year, medical students explore prospective residency programs by completing visiting electives and attending interviews during the Canadian Resident Matching Service (CaRMS) process. Due to COVID-19, visiting electives and in-person interviews were suspended, leaving residency programs searching for alternate ways to share CaRMS information with applicants. This study evaluates the utility of Twitter to share CaRMS-related information prior to and during the pandemic. Methods Primary tweets published from three CaRMS cycles between 2018 and 2021 were identified using the analytics tool Vicinitas. The type, content, and language of tweets and the date and location of publication were extracted. Demographic data about tweet creators were determined using provincial regulatory college databases and institutional websites. Descriptive statistics were employed for categorical variables. All tweets were deductively analyzed. Results Of the 1,843 tweets, 603, 472, and 768 were published during the 2018-2019, 2019-2020, and 2020-2021 cycles, respectively. Most tweets were written in English (97.4%) and by medical students (29.5%) affiliated with Ontario universities. The most common types of tweets were supportive messages (29.1%), reflections about CaRMS (24.7%), and positive match results (20.8%). Rurally located institutions experienced the greatest increase in the total number of tweets between the pre- and full-COVID cycles. Conclusion Since COVID-19, Twitter has been increasingly used by medical professionals to share CaRMS-related information, primarily to promote programs and advertise CaRMS events. Given the environmental and financial benefits, CaRMS interviews will likely remain virtual, which highlights the ongoing need for residency programs to use social media platforms to share information with prospective applicants.
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 | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».