Understanding the #longCOVID and #longhaulers Conversation on Twitter: Multimethod Study
Notice bibliographique
Résumé
BACKGROUND: The scientific community is just beginning to uncover the potential long-term effects of COVID-19, and one way to start gathering information is by examining the present discourse on the topic. The conversation about long COVID-19 on Twitter provides insight into related public perception and personal experiences. OBJECTIVE: The aim of this study was to investigate the #longCOVID and #longhaulers conversations on Twitter by examining the combined effects of topic discussion and social network analysis for discovery on long COVID-19. METHODS: A multipronged approach was used to analyze data (N=2500 records from Twitter) about long COVID-19 and from people experiencing long COVID-19. A text analysis was performed by both human coders and Netlytic, a cloud-based text and social networks analyzer. The social network analysis generated Name and Chain networks that showed connections and interactions between Twitter users. RESULTS: Among the 2010 tweets about long COVID-19 and 490 tweets by COVID-19 long haulers, 30,923 and 7817 unique words were found, respectively. For both conversation types, "#longcovid" and "covid" were the most frequently mentioned words; however, through visually inspecting the data, words relevant to having long COVID-19 (ie, symptoms, fatigue, pain) were more prominent in tweets by COVID-19 long haulers. When discussing long COVID-19, the most prominent frames were "support" (1090/1931, 56.45%) and "research" (435/1931, 22.53%). In COVID-19 long haulers conversations, "symptoms" (297/483, 61.5%) and "building a community" (152/483, 31.5%) were the most prominent frames. The social network analysis revealed that for both tweets about long COVID-19 and tweets by COVID-19 long haulers, networks are highly decentralized, fragmented, and loosely connected. CONCLUSIONS: This study provides a glimpse into the ways long COVID-19 is framed by social network users. Understanding these perspectives may help generate future patient-centered research questions.
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 | 0,008 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».