Risk Perception of COVID-19 in the German Internet Media and its epidemiological consequences during first wave of infections - exploration of possible research topic
Notice bibliographique
Résumé
Abstract Due to the spread of SARS-CoV-2 virus infection and COVID-19 disease, there is an urgent need to analyze epidemic perception in Germany. This would enable authorities for preparation of specific actions minimizing public health and economic risks. The aim of this article is to singal possible research activities for future research.The aim of this study is to quantitatively investigate perception of COVID-19 in German Media (Twitter, Google, Youtube and selection of news articles) in the Internet by infodemiological approach. We proposed quantitative Media analysis as Retrospective and for future Prospective observatory analysis of secondary data. We attempt to analyze main discourses via natural language processing tools (such as topic modelling and sentiment analysis), multilayer and temporal network analysis of accounts/words/topics and time series analysis.There were just a few previous works quantitatively linking Internet activities and risk perception of infectious diseases in Germany. Traditional and social media do not only reflect reality, but also create it. German authorities, having a reliable analysis of the perception of the problem, could optimally prepare and manage the social dimension of the epidemic.The analysis of electronic media makes it possible to analyze the problem perception in Germany and early detect possible behavioral changes (e.g. fear, anxiety) associated with the epidemic, which is crucial for a targeted response and tailored containment scenarios to minimize public health risks. Mistrust of governmental measures implementation has fulled Querdenken movement - an unlikely alliance of far-right and left-wing, as well as conspiracy theorists.Being aware of many shortcomings of computational/digital epidemiology and its exploratory approach, it provides us with an opportunity to analyze a huge amount of digital footprint data at low cost and in a short time.There is no confict of interest.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».