Using Twitter to Understand the COVID-19 Experiences of People With Dementia: Infodemiology Study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic is affecting people with dementia in numerous ways. Nevertheless, there is a paucity of research on the COVID-19 impact on people with dementia and their care partners. OBJECTIVE: Using Twitter, the purpose of this study is to understand the experiences of COVID-19 for people with dementia and their care partners. METHODS: We collected tweets on COVID-19 and dementia using the GetOldTweets application in Python from February 15 to September 7, 2020. Thematic analysis was used to analyze the tweets. RESULTS: From the 5063 tweets analyzed with line-by-line coding, we identified 4 main themes including (1) separation and loss; (2) COVID-19 confusion, despair, and abandonment; (3) stress and exhaustion exacerbation; and (4) unpaid sacrifices by formal care providers. CONCLUSIONS: There is an imminent need for governments to rethink using a one-size-fits-all response to COVID-19 policy and use a collaborative approach to support people with dementia. Collaboration and more evidence-informed research are essential to reducing COVID-19 mortality and improving the quality of life for people with dementia and their care partners.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,000 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».