Impact of Coronavirus disease 2019 on patients with toothache
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study is to investigate the impact of Coronavirus disease 2019 (COVID-19) on toothache patients through posts on Sina Weibo. METHODS: Using Gooseeker, we searched and screened 24,108 posts about toothache on Weibo during the dental clinical closure period of China (February 1, 2020-February 29, 2020), and then divided them into 4 categories (causes of toothache, treatments of toothache, impacts of COVID-19 on toothache treatment, popular science articles of toothache), including 10 subcategories, to analyze the proportion of posts in each category. RESULTS: There were 12,603 postings closely related to toothache. Among them, 87.6% of posts did not indicate a specific cause of pain, and 92.8% of posts did not clearly indicate a specific method of treatment. There were 38.9% of the posts that clearly showed that their dental treatment of toothache was affected by COVID-19, including 10.5% of the posts in which patients were afraid to see the dentists because of COVID-19, and 28.4% of the posts in which patients were unable to see the dentists because the dental clinic was closed. Only 3.5% of all posts were about popular science of toothache. CONCLUSIONS: We have studied and analyzed social media data about toothache during the COVID-19 epidemic, so as to provide some insights for government organizations, the media and dentists to better guide the public to pay attention to oral health through social media. Research on social media data can help formulate public health policies.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».