Measuring Audience Engagement for Public Health Twitter Chats: Insights From #LiveFitNOLA
Notice bibliographique
Résumé
BACKGROUND: Little empirical evidence exists on the effectiveness of using Twitter as a two-way communication tool for public health practice, such as Twitter chats. OBJECTIVE: We analyzed whether Twitter chats facilitate engagement in two-way communications between public health entities and their audience. We also describe how to measure two-way communications, incoming and outgoing mentions, between users in a protocol using free and publicly available tools (Symplur, OpenRefine, and Gephi). METHODS: We used a mixed-methods approach, social network analysis, and content analysis. The study population comprised individuals and organizations participating or who were mentioned in the first #LiveFitNOLA chat, during a 75-min period on March 5, 2015, from 12:00 PM to 1:15 PM Central Time. We assessed audience engagement in two-way communications with two metrics: engagement ratio and return on engagement (ROE). RESULTS: The #LiveFitNOLA chat had 744 tweets and 66 participants with an average of 11 tweets per participant. The resulting network had 134 network members and 474 engagements. The engagement ratios and ROEs for the #LiveFitNOLA organizers were 1:1, 40% (13/32) (@TulanePRC) and 2:1, -40% (-25/63) (@FitNOLA). Content analysis showed information sharing (63.9%, 314/491) and health information (27.9%, 137/491) as the most salient theme and sub-theme, respectively. CONCLUSIONS: Our findings suggest Twitter chats facilitate audience engagement in two-way communications between public health entities and their audience. The #LiveFitNOLA organizers' engagement ratios and ROEs indicated a moderate level of engagement with their audience. The practical significance of the engagement ratio and ROE depends on the audience, context, scope, scale, and goal of a Twitter chat or other organized hashtag-based communications on Twitter.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,007 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».