Twitter as a Mechanism of Knowledge Translation in Health Professions Education: An Exploratory Content Analysis
Notice bibliographique
Résumé
Introduction: Social media may facilitate knowledge sharing within health professions education (HPE), but whether and how it is used as a mechanism of knowledge translation (KT) is not understood. This exploratory study aimed to ascertain what content has been shared on Twitter using #MedEd and how it is used as a mechanism of KT. Methods: Symplur was used to identify all tweets tagged with #MedEd between March 2021 - March 2022. A directed content analysis and multiple cycles of coding were employed. 18,000 tweets were identified, of which 478 were included. Studies sharing high quality HPE information; relating to undergraduate, postgraduate, or continuing education; referring to an evidence source; and posted in English or French were included. Results: Diverse content was shared using #MedEd, including original tweets, links to peer-reviewed articles, and visual media. Tweets shared information about new educational approaches; system, clinical, or educational research outcomes; and measurement tools. #MedEd appears to be a mechanism of diffusion (n = 296 tweets) and dissemination (n = 164 tweets). It is less frequently used for knowledge exchange (n = 13 tweets) and knowledge synthesis (n = 5 tweets). No tweets demonstrated the ethically sound application of knowledge. Discussion: It is challenging to determine whether and how #MedEd is used to promote the uptake of knowledge into HPE or if it is even possible for Twitter to serve these purposes. Further studies exploring how health professions educators use the knowledge gained from Twitter to inform their educational or clinical practices are recommended.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».