Analyzing COVID-19 Tweets using Health Behaviour Theories and Machine Learning
Notice bibliographique
Résumé
In order to explain people's health habits, Health Behaviour Theories have been used to analyze posts on social media during previous incidents. Regarding the COVID-19 pandemic, social media data can expose public attitudes and experiences, as well as reveal elements that impede or encourage attempts to reduce the spread of the disease. This paper aims to use Health Behaviour Theories (Health Belief Model, Social Norm, and Trust) and Machine Learning to investigate or examine people's behaviours and reactions toward COVID-19. First, we extract COVID-19 comments on Twitter and use candidate keyphrases representing each health behaviour construct to label the comments. Next, we develop three machine learning models/classifiers - Support Vector Machine (SVM), Decision Tree (DT) and Logistic Regression (LR) - to automatically classify comments into appropriate constructs. We train and evaluate the models using 10-fold cross-validation and compare their performance based on precision, recall, and Fl-score metrics. Our results show that DT and SVM perform best with an overall Fl-score of up to 98% for multiclass (single label) classification, while DT outperform other classifiers with an overall Fl-score of up to 100% for multiclass-multilabel classification. Finally, we conduct thematic analysis of the comments in each construct to identify meaningful themes that represent key issues related to the COVID-19 pandemic. Our findings reveal 31 themes across all constructs.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».