Exploring Social Media Use Among Medical Students Applying for Residency Training: Cross-Sectional Survey Study
Notice bibliographique
Résumé
Background: Since the COVID-19 pandemic, residency candidates have moved from attending traditional in-person interviews to virtual interviews with residency training programs. This transition spurred increased social media engagement by residency candidates, in an effort to learn about prospective programs, and by residency programs, to improve recruitment efforts. There is a paucity of literature on the effectiveness of social media outreach and its impact on candidates' perceptions of residency programs. Objective: We aimed to determine patterns of social media platform usage among prospective residency candidates and social media's influence on students' perceptions of residency programs. Methods: A cross-sectional survey was administered anonymously to fourth-year medical students who successfully matched to a residency training program at a single institution in 2023. These data were analyzed using descriptive statistics, as well as thematic analysis for open-ended questions. Results: Of the 148 eligible participants, 69 (46.6%) responded to the survey, of whom 45 (65.2%) used social media. Widely used social media platforms were Instagram (19/40, 47.5%) and Reddit (18/40, 45%). Social media influenced 47.6% (20/42) of respondents' opinions of programs and had a moderate or major effect on 26.2% (11/42) of respondents' decisions on program ranking. Resident-faculty relations and social events showcasing camaraderie and wellness were the most desired content. Conclusions: Social media is used by the majority of residency candidates during the residency application process and influences residency program ranking. This highlights the importance of residency programs in leveraging social media usage to recruit applicants and provide information that allows the candidate to better understand the program.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».