Podcasts as Open‐Access Knowledge Dissemination Tools for Researchers: Lessons from Three Years of AMiNDR Podcast (A Month in Neurodegenerative Disease Research)
Notice bibliographique
Résumé
Abstract Background Researchers are expected to manage various responsibilities whilst staying up‐to date with developments in their field. This is an arduous and time‐consuming task. In Alzheimer’s disease research alone, an average of 350 research articles are appearing every week on PubMed. We present the podcast AMiNDR (A Month in Neurodegenerative Disease Research), as a means of easing the burden on scientists. We offer an accessible channel where one can find all the primary papers sorted by topic in distinct episodes and summarised in an audio friendly format, complete with a bibliography of the papers covered as well as those not featured on the podcast. Methods We assess the success of this initiative on three levels: 1) We track our listenership and reach through podcast analytics on Simplecast including unique listeners, countries reached, and number of downloads per episode. 2) We evaluate the utility of our podcast based on listener retention, growth through time, and feedback collected through surveys and engagement indicators on social media. 3) We also consider the sustainability of our project through episode output, team growth, and internal interviews with volunteers to assess satisfaction. Results Since the launch of AMiNDR in June 2020, we have published over 350 episodes with accompanying bibliographies in 40 categories pertaining to Alzheimer’s disease research. Our podcast benefited from the contribution of 51 scientists worldwide at various stages of their training and reached over 6500 unique listeners in 91 countries. We present the results of the ongoing assessment of this initiative and measures we took to continue to refine our tool over the past three years, with a list of recommendations for digital knowledge dissemination tools like the AMiNDR podcast. Conclusion Based on our program evaluation, we find that AMiNDR is garnering a growing listenership worldwide and proving to be useful and accessible to researchers.
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 | 0,074 | 0,188 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,023 | 0,018 |
| Science ouverte | 0,004 | 0,021 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,009 |
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 ».