Social media in nursing and midwifery education: A 20-year bibliometric analysis
Notice bibliographique
Résumé
AIM: To provide insights into scientific publications, research trends and knowledge gaps on social media in nursing and midwifery education BACKGROUND: Social media is widely used in nursing and midwifery education to support learning. DESIGN: Bibliometric analysis METHODS: Scopus was searched using key terms (2004-2023). Results were screened on Rayaan for relevancy leaving 481 studies. Microsoft Excel and VOSviewer aided the bibliometric analysis to understand the volume and scope of research on social media in nursing and midwifery education. RESULTS: Pedagogical research on social media in nursing and midwifery increased steadily since 2004, with a slight decrease in 2022 possibly due to the coronavirus pandemic. The countries which published most in the field were the United States, the United Kingdom, Australia and Canada and their institutions and researchers had numerous co-authorship links with others across the globe. Six main research themes emerged - 1) diversity of social media, 2) learning on social media, 3) impact of social media during COVID-19, 4) professionalism on social media, 5) interprofessional education and 6) pedagogy in social media education. CONCLUSION: Pedagogical research on social media in nursing and midwifery education is growing. This evidence can help educators and students make the most of these dynamic technologies for learning. Further research into newer online platforms such as Instagram, TikTok and LinkedIn, exploring social media for the continuing professional development of nurses and midwives and more rigorous experimental research examining the effect these technologies have on the learning outcomes of students and practitioners to inform educational practice.
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 | 0,002 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,040 | 0,146 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».