Potential Impact of a Paper About COVID-19 and Smoking on Twitter Users’ Attitudes Toward Smoking: Observational Study
Notice bibliographique
Résumé
BACKGROUND: A cross-sectional study (Miyara et al, 2020) conducted by French researchers showed that the rate of current daily smoking was significantly lower in patients with COVID-19 than in the French general population, implying a potentially protective effect of smoking. OBJECTIVE: We aimed to examine the dissemination of the Miyara et al study among Twitter users and whether a shift in their attitudes toward smoking occurred after its publication as preprint on April 21, 2020. METHODS: Twitter posts were crawled between April 14 and May 4, 2020, by the Tweepy stream application programming interface, using a COVID-19-related keyword query. After filtering, the final 1929 tweets were classified into three groups: (1) tweets that were not related to the Miyara et al study before it was published, (2) tweets that were not related to Miyara et al study after it was published, and (3) tweets that were related to Miyara et al study after it was published. The attitudes toward smoking, as expressed in the tweets, were compared among the above three groups using multinomial logistic regression models in the statistical analysis software R (The R Foundation). RESULTS: Temporal analysis showed a peak in the number of tweets discussing the results from the Miyara et al study right after its publication. Multinomial logistic regression models on sentiment scores showed that the proportion of negative attitudes toward smoking in tweets related to the Miyara et al study after it was published (17.07%) was significantly lower than the proportion in tweets that were not related to the Miyara et al study, either before (44/126, 34.9%; P<.001) or after the Miyara et al study was published (68/198, 34.3%; P<.001). CONCLUSIONS: The public's attitude toward smoking shifted in a positive direction after the Miyara et al study found a lower incidence of COVID-19 cases among daily smokers.
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 | 0,004 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».