How Do Multiple Topics in Terse Tweets Affect Retweeting? Evidence from the 2013 Colorado Floods
Notice bibliographique
Résumé
The rapid and wide dissemination of disaster information through tweeting and retweeting has made Twitter an important communication channel during disasters. However, due to its 140-character limit, a tweet could be considered uninformative during disasters. Based on Shannon and Weaverâs communication theory, we use the measure of entropy to quantify the extent to which a tweet is considered informative. We theorize that as a tweetâs entropy increases, its informativeness decreases, and importantly, so too does the probability of retweeting. To assess tweetsâ entropy, we use topic modeling to discover topics in tweets. Using tweets collected during the 2013 Colorado floods, we empirically examine the relationship between tweetsâ entropy and retweet frequency. We take this investigation one step further by examining the interaction effect of the number of URLs on that relationship. Our empirical results demonstrate the negative effect of entropy on retweet frequency. In addition, the effect of the number of URLs depends on entropy. Our findings suggest that tweetsâ entropy is an important factor in explaining tweetsâ retweeting mechanism during disasters and enhance the understanding of the relationship between short-length tweets and information dissemination. As a result, our study contributes to IS research on the role of Twitter in emergency communication.
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 | 0,007 | 0,011 |
| 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 | 0,002 | 0,004 |
| Science ouverte | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».