FOAM authorship: Who’s teaching the learners?
Notice bibliographique
Résumé
Learning Objectives: Of all posts from the top 25 blogs in 2020, more than half came from six sites, most contained clinical content, and authors were largely North American male academics with MD degrees. Learners, content-creators, and educators must recognize these limitations in utilizing online educational content.Background: While use of Free Open Access Medical Education (FOAM) content has grown over the last decade, concerns about quality assessment remain. Given the disconnect between the high utilization of these resources by learners and the low barriers and oversight to publishing, the authors of FOAM resources require further scrutiny.Objectives: We sought to describe the production and authorship characteristics of the most impactful FOAM blogs.Methods: Based on previous studies, a classification system for post content was developed by to two authors with content expertise in online educational resources. We included 12 months (August, 2019 - May, 2021) of blog posts from each of the top 25 sites in the 2020 social media index (SMI). We recorded the following: number of posts per site and per author, types of post; and author related details such as gender, title, affiliation, degree, location of practice and type of practice (academic, community, or hybrid). Gender was determined based on an online identification tool (genderchecker.com).Results: We identified 2,141 posts by 1,001 authors, with more than half produced by six websites: EM Docs (266), Life in the Fast Lane (232), EMCrit (188), ALiEM (185), Don’t Forget the Bubbles (181), and Rebel EM (174). Most content (1680 posts, 78.5%), lacked a conflicts of interest (COI) statement. Posts averaged 5.9 + 11.1 references and 2.32 + 7.8 comments. Authors were mostly academic (89%), mostly held MD degrees (67.4%), and skewed male (59.7%). Geographically, most FOAM authors reside in the USA (59.5%), Canada (22.42%), or the UK (9.4%).Conclusions: Of all the posts in the top 25 blogs in 2020, more than half came from six sites, most contained clinical content, and authors were largely North American male academics with MD degrees. Learners, content-creators, and educators should consider the ways in which a more diverse authorship pool might bring value to the FOAM educational experience.
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 | 0,003 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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.
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 ».