Prevalence and Characteristics of Twitter Posts About Court-Ordered, Tobacco-Related Corrective Statements: Descriptive Content Analysis
Notice bibliographique
Résumé
BACKGROUND: Three major US tobacco companies were recently ordered to publish corrective statements intended to prevent and restrain further fraud about the health effects of smoking. The court-ordered statements began appearing in newspapers and on television (TV) in late 2017. OBJECTIVE: The objective of this study was to examine the social media dissemination of the tobacco corrective statements during the first 6 months of the implementation of the statements. METHODS: We conducted a descriptive content analysis of Twitter posts using an iterative search strategy through Crimson Hexagon and randomly selected 19.74% (456/2309) of original posts occurring between November 1, 2017, and March 27, 2018, for coding and analysis. We assessed post volume over time, source or author, valence, linked content, and reference to the industry (eg, big tobacco, tobacco industry, and Philip Morris) and media outlet (TV or newspaper). Retweeted content was coded for source/author and prevalence. RESULTS: Most posts were published in November 2017, surrounding the initial release of the corrective statements. Content was generally neutral (58.7%, 268/456) or positive (33.3%, 152/456) in valence, included links to additional information about the statements (94.9%, 433/456), referred to the industry (87.7%, 400/456), and did not mention a specific media channel on which the statements were aired or published (15%). The majority of original posts were created by individual users (55.2%, 252/456), whereas the majority of retweeted posts were posted by public health organizations (51%). Differences by source are reported, for example, organization posts are more likely to include a link to additional information compared with individual users (P=.03). CONCLUSIONS: Conversations about the court-ordered corrective statements are taking place on Twitter and are generally neutral or positive in nature. Public health organizations may be increasing the prevalence of these conversations through social media 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».