Urology Reach on Social Media: Appealing to Future Potential Applicants
Notice bibliographique
Résumé
ObjectiveOn average, internet users aged 16 to 29 years spend 3 hours per day on social media platforms. Previous research has identified social media as an important tool for prospective applicants in the age of virtual residency interviews, but no study to date has included TikTok as a social media platform of interest. TikTok is the fastest-growing social network in the United States, and there were predictions it would reach 1.8 billion users by the end of 2022. This study seeks to understand the difference in reach of Facebook, Instagram, Twitter, and TikTok to inform medical student engagement efforts.MethodsA binary (Yes/No) poll was posted on MCG Urology accounts on Facebook, Twitter, Instagram, and TikTok. The poll asked the question “Are you a medical student?” and was open for viewing and/or response on each platform for 24 hours. The number of total views and the number and percentage of respondents were recorded for each application. Engagement was determined by the percentage of viewers who responded to the poll.ResultsA total of 3038 views and 839 responses were collected from all social media platforms. TikTok had the highest number of views (1838) and responses (617) but low engagement (33.56%). The highest percentage of “Yes” responses was on Twitter (61%); however, Twitter had the lowest engagement of 7.2%. Results of a chi-square test showed that while the total raw number of medical students reached was highest on TikTok, of all those who engaged with the poll, there were statistically significantly more medical students on Twitter (P < 0.0001).ConclusionsMedical student outreach can be successfully conducted through social media. Twitter allows for engagement with a statistically significantly larger proportion of medical students, and TikTok allows access to a grossly larger audience of medical students. Urology residency programs should consider the utility of both Twitter and TikTok for student outreach.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,004 |
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 ».