The Social Aspects of Sexual Health: A Twitter-Based Analysis of Valentine’s Day Perception
Notice bibliographique
Résumé
Sentiment analysis (SA) is a technique aimed at extracting opinions and sentiments through the analysis of text, often used in healthcare research to understand patients’ needs and interests. Data from social networks, such as Twitter, can provide useful insights on sexual behavior. We aimed to assess the perception of Valentine’s Day by performing SA on tweets we collected between 28 January and 13 February 2019. Analysis was done using ad hoc software. A total of 883,615 unique tweets containing the word “valentine” in their text were collected. Geo-localization was available for 48,918 tweets; most the tweets came from the US (36,889, 75.41%), the UK (2605, 5.33%) and Canada (1661, 3.4%). The number of tweets increased approaching February 14. “Love” was the most recurring word, appearing in 111,981 tweets, followed by “gift” (55,136), “special” (34,518) and “happy” (33,913). Overall, 7318 tweets mentioned “sex”: among these tweets, the most recurring words were “sexy” (2317 tweets), “love” (1394) and “gift” (679); words pertaining to intimacy and sexual activity, such as “lingerie”, “porn”, and “date” were less common. In conclusion, tweets about Valentine’s Day mostly focus on the emotions, or on the material aspect of the celebration, and the sexual aspect of Valentine’s Day is rarely mentioned.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».