COVID-19 and Tweets About Quitting Cigarette Smoking: Topic Model Analysis of Twitter Posts 2018-2020 (Preprint)
Notice bibliographique
Résumé
BACKGROUND The risk of infection and severity of illness by SARS-CoV-2 infection is elevated for people who smoke cigarettes and may motivate quitting. Organic public conversations on Twitter about quitting smoking could provide insight into quitting motivations or behaviors associated with the pandemic. OBJECTIVE This study explored key topics of conversation about quitting cigarette smoking and examined their trajectory during 2018-2020. METHODS Topic model analysis with latent Dirichlet allocation (LDA) identified themes in US tweets with the term “quit smoking.” The model was trained on posts from 2018 and was then applied to tweets posted in 2019 and 2020. Analysis of variance and follow-up pairwise tests were used to compare the daily frequency of tweets within and across years by quarter. RESULTS The mean numbers of daily tweets on quitting smoking in 2018, 2019, and 2020 were 133 (SD 36.2), 145 (SD 69.4), and 127 (SD 32.6), respectively. Six topics were extracted: (1) need to quit, (2) personal experiences, (3) electronic cigarettes (e-cigarettes), (4) advice/success, (5) quitting as a component of general health behavior change, and (6) clinics/services. Overall, the pandemic was not associated with changes in posts about quitting; instead, New Year’s resolutions and the 2019 e-cigarette or vaping use–associated lung injury (EVALI) epidemic were more plausible explanations for observed changes within and across years. Fewer second-quarter posts in 2020 for the topic e-cigarettes may reflect lower pandemic-related quitting interest, whereas fourth-quarter increases in 2020 for other topics pointed to a late-year upswing. CONCLUSIONS Twitter posts suggest that the pandemic did not generate greater interest in quitting smoking, but possibly a decrease in motivation when the rate of infections was increasing in the second quarter of 2020. Public health authorities may wish to craft messages for specific Twitter audiences (eg, using hashtags) to motivate quitting during pandemics.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 | 0,002 |
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 ».