MétaCan
Menu
Retour à la cohorte
Enregistrement W4394675208 · doi:10.5858/arpa.2023-0447-oa

Ten Years of Pathology on Twitter (X): Landscape and Evolution of Pathology on Twitter From 2012 to 2023

2024· article· en· W4394675208 sur OpenAlexaff
Roland Tian, Eric Wang, Priyadharshini Sivasubramaniam, Swikrity Upadhyay Baskota, Anurag Sharma, Matthew J. Cecchini

Notice bibliographique

RevueArchives of Pathology & Laboratory Medicine · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésSocial mediaVeterinary pathologyPathologyClinical pathologyAnatomical pathologySurgical pathologyCoronavirus disease 2019 (COVID-19)MedicinePsychologyComputer scienceDiseaseWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

CONTEXT.—: Social media is a powerful tool in pathology education and professional networking that connects pathologists and pathology trainees from around the world. Twitter (X) appears to be the most popular social media platform pathologists use to share pathology-related content and connect with other pathologists. Although there has been some published research on pathology-related activity on Twitter during short time frames, to date there has not been published research examining pathology-related Twitter activity in totality from its earliest days of activity to recently. OBJECTIVE.—: To comprehensively evaluate the use of pathology on Twitter (X) during the last 10 years. DESIGN.—: Pathology-related tweets were systematically scraped from Twitter from January 2012 to January 2023 using pathology hashtags as a surrogate measure for all pathology content on Twitter. COVID-related tweets were approximated by tweets containing the term "COVID." RESULTS.—: There were 591 812 unique pathology-related tweets identified during the time period, with #pathology being the most common hashtag used and #PathTwitter becoming more popular since 2020. There has been positive annual growth of pathology Twitter, with peaks in use during major pathology conferences. During the initial phases of the COVID-19 pandemic, a sustained increase in pathology tweets was observed. CONCLUSIONS.—: Pathology Twitter has grown during the last 10 years and has become increasingly popular for pathology education and networking. With the changing landscape of social media platforms, this study provides an understanding of how pathology medical education and professional networking uses of social media happen and evolve over time.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,997
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,357
Écart entre enseignants0,321 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArchives of Pathology & Laboratory MedicineMême sujetSocial Media in Health EducationTravaux en français237 207