Public Perceptions and Attitudes Toward COVID-19 Nonpharmaceutical Interventions Across Six Countries: A Topic Modeling Analysis of Twitter Data
Notice bibliographique
Résumé
BACKGROUND: Nonpharmaceutical interventions (NPIs) (such as wearing masks and social distancing) have been implemented by governments around the world to slow the spread of COVID-19. To promote public adherence to these regimes, governments need to understand the public perceptions and attitudes toward NPI regimes and the factors that influence them. Twitter data offer a means to capture these insights. OBJECTIVE: The objective of this study is to identify tweets about COVID-19 NPIs in six countries and compare the trends in public perceptions and attitudes toward NPIs across these countries. The aim is to identify factors that influenced public perceptions and attitudes about NPI regimes during the early phases of the COVID-19 pandemic. METHODS: We analyzed 777,869 English language tweets about COVID-19 NPIs in six countries (Australia, Canada, New Zealand, Ireland, the United Kingdom, and the United States). The relationship between tweet frequencies and case numbers was assessed using a Pearson correlation analysis. Topic modeling was used to isolate tweets about NPIs. A comparative analysis of NPIs between countries was conducted. RESULTS: The proportion of NPI-related topics, relative to all topics, varied between countries. The New Zealand data set displayed the greatest attention to NPIs, and the US data set showed the lowest. The relationship between tweet frequencies and case numbers was statistically significant only for Australia (r=0.837, P<.001) and New Zealand (r=0.747, P<.001). Topic modeling produced 131 topics related to one of 22 NPIs, grouped into seven NPI categories: Personal Protection (n=15), Social Distancing (n=9), Testing and Tracing (n=10), Gathering Restrictions (n=18), Lockdown (n=42), Travel Restrictions (n=14), and Workplace Closures (n=23). While less restrictive NPIs gained widespread support, more restrictive NPIs were perceived differently across countries. Four characteristics of these regimes were seen to influence public adherence to NPIs: timeliness of implementation, NPI campaign strategies, inconsistent information, and enforcement strategies. CONCLUSIONS: Twitter offers a means to obtain timely feedback about the public response to COVID-19 NPI regimes. Insights gained from this analysis can support government decision making, implementation, and communication strategies about NPI regimes, as well as encourage further discussion about the management of NPI programs for global health events, such as the COVID-19 pandemic.
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 | 0,014 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».