An exploratory study of social media users’ engagement with COVID-19 vaccine-related content
Notice bibliographique
Résumé
<ns3:p> <ns3:bold> <ns3:italic>Background:</ns3:italic> </ns3:bold> Facebook, as the world’s most popular social media platform, has been playing various important roles throughout the COVID-19 pandemic, allowing users to produce and share health-related information that both eases and complicates public health communication. However, the characteristics of vaccine-related Facebook content and users’ reaction to the vaccine issue has been an unexplored area to date. </ns3:p> <ns3:p> <ns3:bold> <ns3:italic>Methods:</ns3:italic> </ns3:bold> To fill the previous knowledge-gap, this exploratory study wants to understand the communication climate of Facebook on the COVID-19 vaccine issue, including the nature of dominant content and users’ engagement patterns with them. Therefore, the study analyzes the 10,000 most popular Facebook posts with the highest interactions on the vaccine issue. </ns3:p> <ns3:p> <ns3:bold> <ns3:italic>Results:</ns3:italic> </ns3:bold> The results show that Facebook users prioritize more vaccine-related news links (71.22%) over other content. The declining interactions on the issue suggests that interaction growth mainly depends on positive news on the vaccine. Finally, users’ reaction to the vaccine issue is dominantly positive, though they may show a highly negative attitude toward vaccine misinformation. </ns3:p> <ns3:p> <ns3:bold> <ns3:italic>Conclusions:</ns3:italic> </ns3:bold> A few limitations and strengths of this study are discussed along with values and implications. This study for the first time analyzes Bangla language-based Facebook content related to the COVID-19 vaccine issue, which is largely overlooked in global academic research. </ns3:p>
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».