Aging 2.0: Health Information about Dementia on Twitter
Notice bibliographique
Résumé
Online social media is widespread, easily accessible and attracts a global audience with a widening demographic. As a large proportion of adults now seek health information online and through social media applications, communication about health has become increasingly interactive and dynamic. Online health information has the potential to significantly impact public health, especially as the population gets older and the prevalence of dementia increases. However, little is known about how information pertaining to age-associated diseases is disseminated on popular social media platforms. To fill this knowledge gap, we examined empirically: (i) who is using social media to share information about dementia, (ii) what sources of information about dementia are promoted, and (iii) which dementia themes dominate the discussion. We data-mined the microblogging platform Twitter for content containing dementia-related keywords for a period of 24 hours and retrieved over 9,200 tweets. A coding guide was developed and content analysis conducted on a random sample (10%), and on a subsample from top users' tweets to assess impact. We found that a majority of tweets contained a link to a third party site rather than personal information, and these links redirected mainly to news sites and health information sites. As well, a large number of tweets discussed recent research findings related to the prediction and risk management of Alzheimer's disease. The results highlight the need for the dementia research community to harness the reach of this medium and its potential as a tool for multidirectional engagement.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,015 |
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 ».