How Health Care Workers Wield Influence Through Twitter Hashtags: Retrospective Cross-sectional Study of the Gun Violence and COVID-19 Public Health Crises
Notice bibliographique
Résumé
BACKGROUND: Twitter has emerged as a novel way for physicians to share ideas and advocate for policy change. #ThisIsOurLane (firearm injury) and #GetUsPPE (COVID-19) are examples of nationwide health care-led Twitter campaigns that went viral. Health care-initiated Twitter hashtags regarding major public health topics have gained national attention, but their content has not been systematically examined. OBJECTIVE: We hypothesized that Twitter discourse on two epidemics (firearm injury and COVID-19) would differ between tweets with health care-initiated hashtags (#ThisIsOurLane and #GetUsPPE) versus those with non-health care-initiated hashtags (#GunViolence and #COVID19). METHODS: Using natural language processing, we compared content, affect, and authorship of a random 1% of tweets using #ThisIsOurLane (Nov 2018-Oct 2019) and #GetUsPPE (March-May 2020), compared to #GunViolence and #COVID19 tweets, respectively. We extracted the relative frequency of single words and phrases and created two sets of features: (1) an open-vocabulary feature set to create 50 data-driven-determined word clusters to evaluate the content of tweets; and (2) a closed-vocabulary feature for psycholinguistic categorization among case and comparator tweets. In accordance with conventional linguistic analysis, we used a P<.001, after adjusting for multiple comparisons using the Bonferroni correction, to identify potentially meaningful correlations between language features and outcomes. RESULTS: In total, 67% (n=4828) of #ThisIsOurLane tweets and 36.6% (n=7907) of #GetUsPPE tweets were authored by health care professionals, compared to 16% (n=1152) of #GunViolence and 9.8% (n=2117) of #COVID19 tweets. Tweets using #ThisIsOurLane and #GetUsPPE were more likely to contain health care-specific language; more language denoting positive emotions, affiliation, and group identity; and more action-oriented content compared to tweets with #GunViolence or #COVID19, respectively. CONCLUSIONS: Tweets with health care-led hashtags expressed more positivity and more action-oriented language than the comparison hashtags. As social media is increasingly used for news discourse, public education, and grassroots organizing, the public health community can take advantage of social media's broad reach to amplify truthful, actionable messages around public health issues.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».