Changes in public response associated with various COVID-19 restrictions in Ontario, Canada: an observational study using social media time series data
Notice bibliographique
Résumé
Background: News media coverage of anti-mask protests, COVID-19 conspiracies, and pandemic politicization has overemphasized extreme views, but does little to represent views of the general public. Investigating the public’s response to various pandemic restrictions can provide a more balanced assessment of current views, allowing policymakers to craft better public health messages in anticipation of poor reactions to controversial restrictions. Objective: Using data from social media, this study aims to understand the changes in public opinion associated with the implementation of COVID-19 restrictions (e.g. business and school closure, regional lockdown differences, additional public health restrictions such as social distancing and masking). Methods: COVID-related tweets in Ontario (n=1,150,362) were collected based on keywords between March 12 to Oct 31 2020. Sentiment scores were calculated using the VADER algorithm for each tweet to represent its negative to positive emotion. Public health restrictions were identified using government and news media websites, and dynamic regression models with ARIMA errors were used to examine the association between public health restrictions and changes in public opinion over time (i.e. collective attention, aggregate positive sentiment, and level of disagreement) controlling for the effects of confounders (i.e. daily COVID-19 case counts, holidays, COVID-related official updates). Results: In addition to expected direct effects (e.g. business closure led to decreased positive sentiment and increased disagreements), the impact of restriction on public opinion is contextually driven. For example, the negative sentiment associated with business closures was reduced with higher COVID-19 case counts. While school closure and other restrictions (e.g. masking, social distancing, and travel restrictions) generated increased collective attention, they did not have an effect on aggregate sentiment or the level of disagreement (i.e. sentiment polarization). Partial (region-targeted) lockdowns were associated with better public response (i.e. higher number of tweets with net positive sentiment and lower levels of disagreement) compared to province-wide lockdowns. Conclusions: Our study demonstrates the feasibility of a rapid and flexible method of evaluating the public response to pandemic restrictions using near real-time social media data. This information can help public health practitioners and policymakers anticipate public response to future pandemic restrictions, and ensure adequate
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».