Hey Google? When Patients Consult Dr Google About Tendinopathy. An Analysis of Search Terms and Questions From 4 English-Speaking Regions Across 6 Tendons
Notice bibliographique
Résumé
OBJECTIVE: To explore the most common search terms and questions in Google relating to Achilles, patellar, shoulder, elbow, hamstring, and gluteal tendons across 4 English-speaking regions, and determine the most common landing pages for tendon-based searches. DESIGN: Web-based data appraisal. METHODS: Tendon-related search terms, inputted by users into the Google search engine, were quantified globally, and subgrouped for 4 English-speaking regions – Australia, United States of America, United Kingdom, and Canada. Search questions related to tendons were searched globally. RESULTS: Six tendons were searched 2 416 438 times per month globally. Uptake of consensus recommendations were most consistent for the gluteal tendon, where “tendinopathy” was ranked one of the top 20 keyword search terms globally. Tendinopathy did not feature in any of the top patella, elbow, or hamstring-related searches, and vast differences were noted across English-speaking regions for Achilles and shoulder tendon-related searches. Search questions focused on curative treatment globally. CONCLUSION: Words matter. Uptake of consensus recommended terminology is poor, and practitioners have a role to play in translating consensus recommendations into the public domain. JOSPT Open 2024;2(3):233-239. Epub 20 May 2024. doi:10.2519/josptopen.2024.1129
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 | 0,006 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,011 | 0,015 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».