Content Analysis of Metaphors About Hypertension and Diabetes on Twitter: Exploratory Mixed-Methods Study
Notice bibliographique
Résumé
BACKGROUND: Widespread metaphors contribute to the public's understanding of health. Prior work has characterized the metaphors used to describe cancer and AIDS. Less is known about the metaphors characterizing cardiovascular disease. OBJECTIVE: The objective of our study was to characterize the metaphors that Twitter users employ in discussing hypertension and diabetes. METHODS: We filtered approximately 10 billion tweets for keywords related to diabetes and hypertension. We coded a random subset of 5000 tweets for the presence of metaphor and the type of metaphor employed. RESULTS: Among the 5000 tweets, we identified 797 (15.9%) about hypertension or diabetes that employed metaphors. When discussing the development of heart disease, Twitter users described the disease as a journey (n=202), as transmittable (n=116), as an object (n=49), or as being person-like (n=15). In discussing the experience of these diseases, some Twitter users employed war metaphors (n=101). Other users described the challenge to control their disease (n=34), the disease as an agent (n=58), or their bodies as machines (n=205). CONCLUSIONS: Metaphors are used frequently by Twitter users in their discussion of hypertension and diabetes. These metaphors can help to guide communication between patients and providers to improve public health.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».