A New Tool for Public Health Opinion to Give Insight Into Telemedicine: Twitter Poll Analysis
Notice bibliographique
Résumé
BACKGROUND: Telemedicine draws on information technologies in order to enable the delivery of clinical health care from a distance. Twitter is a social networking platform that has 316 million monthly active users with 500 million tweets per day; its potential for real-time monitoring of public health has been well documented. There is a lack of empirical research that has critically examined the potential of Twitter polls for providing insight into public health. One of the benefits of utilizing Twitter polls is that it is possible to gain access to a large audience that can provide instant and real-time feedback. Moreover, Twitter polls are completely anonymized. OBJECTIVE: The overall aim of this study was to develop and disseminate Twitter polls based on existing surveys to gain real-time feedback on public views and opinions toward telemedicine. METHODS: Two Twitter polls were developed utilizing questions from previously used questionnaires to explore acceptance of telemedicine among Twitter users. The polls were placed on the Twitter timeline of one of the authors, which had more than 9300 followers, and the account followers were asked to answer the poll and retweet it to reach a larger audience. RESULTS: In a population where telemedicine was expected to enjoy big support, a significant number of Twitter users responding to the poll felt that telemedicine was not as good as traditional care. CONCLUSIONS: Our results show the potential of Twitter polls for gaining insight into public health topics on a range of health issues not just limited to telemedicine. Our study also sheds light on how Twitter polls can be used to validate and test survey questions.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».