TÜRKİYE’DE PATOLOGLAR ARASI SOSYAL MEDYA KULLANIMININ YAYGINLIĞI VE ÖNEMİ
Bibliographic record
Abstract
Amaç: Globalleşen dünyayla birlikte tüm dünyadaki insanlarlailetişim kurmak kaçınılmaz bir hal almıştır (1). Günümüzde sosyal medya hesaplarımız sadece özel hayatlarımızı paylaştığımızplatformlar olmanın dışında profesyonel ilişkiler kurduğumuz,akademik gelişmeleri takip ettiğimiz, profesyonel anlamda kendimizi eğittiğimiz, akademik bilgi alışverişinde bulunduğumuzeğitim platformlarına dönüşmüştür (1, 2). Biz de patologlar arasında, patoloji açısından sosyal medya kullanımının yaygınlığını,etkinliğini ve önemini araştırmak amacıyla bir anket çalışmasıyapmayı planladık.Gereç ve Yöntem: Google Forms aracılığıyla anket oluşturup,sosyal medya üzerinden patologlara ulaştırdığımız anketimize,gönüllü olarak katılan kişiler dahil edildi.Bulgular: Anketimize şu ana kadar, bir aylık süreçte, 115 kişikatılmış bulunmaktadır. Yanıt verenlerin çoğunluğunu 5 yıldan fazla deneyimi olan (%54,2) uzman hekimler (%41,7) oluşturmaktadır. Anketimize katılan kişilerin %80’i sosyal medyayıpatoloji ile ilgili kullandığını belirtmiştir. Bu amaçla sosyal medyaplatformlarından en çok WhatsApp’ı (%43,5), en az LinkedIn’ı(%2.2) kullandıkları saptanmıştır. Ancak ankete katılan kişiler,sosyal medya platformlarından Twitter’ın (%35,9) patoloji pratiği açısından daha kullanışlı olduğunu belirtmiştir. Anketimizekatılan patologlar arasında sosyal medya platformları patolojiaçısından daha çok eğitici-öğretici (%79,3), bilimsel toplantıların takibi/duyurusu (%78,3) amacıyla kullanılmaktadır. En çok“ipuçları/püf noktaları” tarzındaki paylaşımlar (%39,1) dikkatçekerken, bunu vaka paylaşımları (%29,3) takip etmektedir. Sonuç: Patolog olarak sosyal medya aracılığıyla bilgi paylaşımının patoloji kariyerindeki öneminden literatürde bahsedilmiştir(3). İlk 2015 yılındaki United States and Canadian Academy ofPathology (USCAP) yıllık toplantısı, 24 gönüllü katılımcı tarafından Twitter üzerinden canlı olarak aktarılmış ve 5 milyondan fazla etkileşim almıştır (4). Ulusal ya da uluslararası patolojikuruluşları tarafından bu şekilde, sosyal medyadaki aktarımlargüncel gelişmeleri, kurs programlarını, literatürdeki değişiklikleri takip edebilmeyi kolaylaştıracaktır. Verilerimize göre Türkiye’de patologlar arasında da sosyal medyanın patoloji pratiğindekullanılması yönünde bir farkındalık mevcuttur. Sonuçlarımız;çeşitli kurumlardan anketimize katılan patologlar arasında, patoloji bağlamında en çok kullanılan sosyal medya platformununWhatsApp olduğunu ve sosyal medyanın Türkiye’deki patologlariçin eğitimden konsültasyona farklı kullanım alanları olduğunuortaya koymuştur.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.068 | 0.019 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".