Selective tweeting of COVID-19 articles: Does title or abstract positivity influence dissemination?
Notice bibliographique
Résumé
Abstract Background Previous research has shown that articles may be cited more frequently on the basis of title or abstract positivity. Whether a similar selective sharing practice exists on Twitter is not well understood. The objective of this study was to assess if COVID-19 articles with positive titles or abstracts were tweeted more frequently than those with non-positive titles or abstracts. Methods COVID-19 related articles published between January 1 st and April 14 th , 2020 were extracted from the LitCovid database and all articles were screened for eligibility. Titles and abstracts were classified using a list of positive and negative words from a previous study. A negative binomial regression analysis controlling for confounding variables (2018 impact factor, open access status, continent of the corresponding author, and topic) was performed to obtain regression coefficients, with the p values obtained by likelihood ratio testing. Results A total of 3752 COVID-19 articles were included. Of the included studies, 44 titles and 112 abstracts were positive; 1 title and 7 abstracts were negative; and 3707 titles and 627 abstracts were neutral. Articles with positive titles had a lower tweet rate relative to articles with non-positive titles, with a regression coefficient of -1.10 (P < .001), while the positivity of the abstract did not impact tweet rate (P = .2218). Conclusion COVID-19 articles with non-positive titles are preferentially tweeted, while abstract positivity does not influence tweet rate.
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 | 0,040 | 0,265 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,014 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».