At the speed of Juul: measuring the Twitter conversation related to ENDS and Juul across space and time (2017–2018)
Notice bibliographique
Résumé
Background Electronic nicotine delivery systems (ENDS) are the most-used tobacco product by adolescents, and Juul has rapidly become the most popular ENDS brand. Evidence indicates that Juul has been marketed heavily on social media. In light of recent lawsuits against the FDA spurred by claims that the agency responded inadequately to this marketing push, measuring the social media conversation about ENDS like Juul has important public health implications. Methods We employed search filters to collect Juul-related and other ENDS-related data from Twitter in 2017–2018 using Gnip Historic PowerTrack. Trained coders labelled random samples for Juul and ENDS relevance, and the labelled samples were used to train a supervised learning classifier to filter out irrelevant tweets. Tweets were geolocated into US counties and their fitness for use was assessed. Results The amount of Juul-related tweets increased 67 times over the study period (from 18 849 in the first quarter of 2017 to 1 287 028 in the last quarter of 2018), spreading widely across US counties. By the last quarter 2018, 34% of US counties had more than 6 Juul-related posts per 10 000 people, up from 0% in the first quarter 2017. However, during the same period, the total of non-Juul ENDS-related tweets decreased by 25%. Conclusions Juul-related content grew exponentially on Twitter and spread across the entire country during the time when the brand was gaining market share. This social media buzz continued to increase even after FDA’s multiple interventions to curb promotions targeting minors.
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 | 0,002 |
| 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 | 0,000 | 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 ».