A Twitter discourse analysis of negative feelings and stigma related to NAFLD, NASH and obesity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: People with non-alcoholic fatty liver disease (NAFLD) and non-alcoholic steatohepatitis (NASH) are stigmatized, partly since 'non-alcoholic' is in the name, but also because of obesity, which is a common condition in this group. Stigma is pervasive in social media and can contribute to poorer health outcomes. We examine how stigma and negative feelings concerning NAFLD/NASH and obesity manifest on Twitter. METHODS: Using a self-developed search terms index, we collected NAFLD/NASH tweets from May to October 2019 (Phase I). Because stigmatizing NAFLD/NASH tweets were limited, Phase II focused on obesity (November-December 2019). Via sentiment analysis, >5000 tweets were annotated as positive, neutral or negative and used to train machine learning-based Natural Language Processing software, applied to 193 747 randomly sampled tweets. All tweets collected were analysed. RESULTS: In Phase I, 16 835 tweets for NAFLD and 2376 for NASH were retrieved. Of the annotated NAFLD/NASH tweets, 97/1130 (8.6%) and 63/535 (11.8%), respectively, related to obesity and 13/1130 (1.2%) and 5/535 (0.9%), to stigma; they primarily focused on scientific discourse and unverified information. Of the 193 747 non-annotated obesity tweets (Phase II), the algorithm classified 40.0% as related to obesity, of which 85.2% were negative, 1.0% positive and 13.7% neutral. CONCLUSIONS: NAFLD/NASH tweets mostly indicated an unmet information need and showed no clear signs of stigma. However, the negative content of obesity tweets was recurrent. As obesity-related stigma is associated with reduced care engagement and lifestyle modification, the main NAFLD/NASH treatment, stigma-reducing interventions in social media should be included in the liver health agenda.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle