The Impact of Social Media on Otolaryngology Literature: Analyzing the Correlation Between Altmetrics and Citation Count
Notice bibliographique
Résumé
Abstract Objective The altmetric attention score (AAS) is an alternative metric that tracks article sharing via online platforms, reflecting an article's online attention trend. The objective of this study was to analyze the impact of social media on Otolaryngology–Head and Neck Surgery (OHNS) literature and analyze the correlation between AAS and citation count. Study Design and Setting A retrospective review of otolaryngology journal article citation data and Altmetric attention score. Methods The top 10 OHNS journals with highest impact factors were identified using the Journal Citation Reports (JCR). The number of citations in 2018 and 2019 were extracted from JCR and AAS was extracted from the altmetrics website. The primary outcome of this study was to establish whether a correlation between AAS and citation count exists, and whether AAS could serve as a valid alternative metric to assess the quality of individual articles. Results By analyzing data from 3729 articles, a weak statistically significant positive correlation was identified between AAS and citation count ( r = 0.18, P < .001), and between number of citations and Twitter activity ( r = 0.18, P < .001). In addition, a statistically significant strong correlation was seen between Twitter activity and AAS ( r = 0.79, P < .001). Conclusion The current results clearly illustrate a weak correlation between AAS and citations and between Twitter activity and citations. Due to various limitations, the use of AAS should be limited to serve as a complementary metric to the current gold standard rather than an alternative metric.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».