COVID-19 and the Gendered Use of Emojis on Twitter: Infodemiology Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The online discussion around the COVID-19 pandemic is multifaceted, and it is important to examine the different ways by which online users express themselves. Since emojis are used as effective vehicles to convey ideas and sentiments, they can offer important insight into the public's gendered discourses about the pandemic. OBJECTIVE: This study aims at exploring how people of different genders (eg, men, women, and sex and gender minorities) are discussed in relation to COVID-19 through the study of Twitter emojis. METHODS: We collected over 50 million tweets referencing the hashtags #Covid-19 and #Covid19 for a period of more than 2 months in early 2020. Using a mixed method, we extracted three data sets containing tweets that reference men, women, and sexual and gender minorities, and we then analyzed emoji use along each gender category. We identified five major themes in our analysis including morbidity fears, health concerns, employment and financial issues, praise for frontline workers, and unique gendered emoji use. The top 600 emojis were manually classified based on their sentiment, indicating how positive, negative, or neutral each emoji is and studying their use frequencies. RESULTS: The findings indicate that the majority of emojis are overwhelmingly positive in nature along the different genders, but sexual and gender minorities, and to a lesser extent women, are discussed more negatively than men. There were also many differences alongside discourses of men, women, and gender minorities when certain topics were discussed, such as death, financial and employment matters, gratitude, and health care, and several unique gendered emojis were used to express specific issues like community support. CONCLUSIONS: Emoji research can shed light on the gendered impacts of COVID-19, offering researchers an important source of information on health crises as they happen in real time.
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.
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 | 0,006 | 0,017 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle