#Dementia: An Evaluation of the Worldwide Dementia Twitter Network
Notice bibliographique
Résumé
Abstract Social media engages an international network of healthcare stakeholders. Our study characterized the #dementia community on Twitter, which we hypothesized has increased substantially in the last six years. Symplur Signals, a healthcare social media analytics platform, was used to analyze public #dementia tweets between 1/1/2014 and 12/31/2019. Spam or users unclassified by the platform were excluded. Tweet activity, content, user characteristics, engagement, associated hashtags, sentiment, and network analysis metrics were obtained. Exactly 2,149,494 tweets made by 105,938 users resulted in 21,460,413,770 impressions. There was a 44.6% and 29.1% compound annual growth rate of tweets and users, respectively. The five most frequently tweeted words were people, care, help, living, and support. Among users with identifiable locations, the United Kingdom, United States, and Canada had the greatest number of users. Healthcare associated individuals (17.8%), health advocacy organizations (17.6%), non-healthcare associated individuals (17.0%), and non-healthcare associated organizations (13.8%) were among the top 500 influencers based on tweet number. Hashtags related to caregiving (#Caregiving, #carers, #care, #caregivers, #caregiver, #dementiacare) and Alzheimer’s disease (#alzheimers, #Alzheimer, #Alz, #EndAlz) were among the top 15 associated hashtags. Analysis of the 1,000 most recent tweets shows more tweets with positive (71.0%) than negative (29.0%) sentiments. Network analysis mapping connections between users shows advocacy organizations (i.e. @ASAging) and other health individuals (i.e. @LEAD_Coalition) were central conversation hubs in 2019. The #dementia network discusses themes important to older adults. The network’s rapid growth has enabled increased dissemination of dementia-related information by both healthcare and non-healthcare associated individuals and organizations.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».