MétaCan
Menu
Retour à la cohorte
Enregistrement W3188667162 · doi:10.2196/31409

COVID-19 Vaccine Perception in South Korea: Web Crawling Approach

2021· article· en· W3188667162 sur OpenAlexvenueno aff
Hocheol Lee, Eun Bi Noh, Sung Jong Park, Hae Kweun Nam, Tae Ho Lee, Ga Ram Lee, Eun Woo Nam

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueVaccine Coverage and Hesitancy
Établissements canadiensnon disponible
Organismes subventionnairesNational Research Foundation of KoreaNational Research Foundation
Mots-clésCoronavirus disease 2019 (COVID-19)VaccinationPerceptionMedicineFamily medicinePsychologyDiseaseVirologyInfectious disease (medical specialty)Internal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The US Centers for Disease Control and Prevention and the World Health Organization emphasized vaccination against COVID-19 because physical distancing proved inadequate to mitigate death, illness, and massive economic loss. OBJECTIVE: This study aimed to investigate Korean citizens' perceptions of vaccines by examining their views on COVID-19 vaccines, their positive and negative perceptions of each vaccine, and ways to enhance policies to increase vaccine acceptance. METHODS: This cross-sectional study analyzed posts on NAVER and Instagram to examine Korean citizens' perception of COVID-19 vaccines. The keywords searched were "vaccine," "AstraZeneca," and "Pfizer." In total 8100 posts in NAVER and 5291 posts in Instagram were sampled through web crawling. Morphology analysis was performed, overlapping or meaningless words were removed, sentiment analysis was implemented, and 3 public health professionals reviewed the results. RESULTS: The findings revealed a negative perception of COVID-19 vaccines; of the words crawled, the proportion of negative words for AstraZeneca was 71.0% (476/670) and for Pfizer was 56.3% (498/885). Among words crawled with "vaccine," "good" ranked first, with a frequency of 13.43% (312/2323). Meanwhile, "side effect" ranked highest, with a frequency of 29.2% (163/559) for "AstraZeneca," but 0.6% (4/673) for "Pfizer." With "vaccine," positive words were more frequently used, whereas with "AstraZeneca" and "Pfizer" negative words were prevalent. CONCLUSIONS: There is a negative perception of AstraZeneca and Pfizer vaccines in Korea, with 1 in 4 people refusing vaccination. To address this, accurate information needs to be shared about vaccines including AstraZeneca, and the experiences of those vaccinated. Furthermore, government communication about risk management is required to increase the AstraZeneca vaccination rate for herd immunity before the vaccine expires.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,398
Score d'incertitude au seuil0,854

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,345
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetVaccine Coverage and HesitancyTravaux en français237 207