Using Twitter to Examine Stigma Against People With Dementia During COVID-19: Infodemiology Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: During the pandemic, there has been significant social media attention focused on the increased COVID-19 risks and impacts for people with dementia and their care partners. However, these messages can perpetuate misconceptions, false information, and stigma. OBJECTIVE: This study used Twitter data to understand stigma against people with dementia propagated during the COVID-19 pandemic. METHODS: We collected 1743 stigma-related tweets using the GetOldTweets application in Python from February 15 to September 7, 2020. Thematic analysis was used to analyze the tweets. RESULTS: Based on our analysis, 4 main themes were identified: (1) ageism and devaluing the lives of people with dementia, (2) misinformation and false beliefs about dementia and COVID-19, (3) dementia used as an insult for political ridicule, and (4) challenging stigma against dementia. Social media has been used to spread stigma, but it can also be used to challenge negative beliefs, stereotypes, and false information. CONCLUSIONS: Dementia education and awareness campaigns are urgently needed on social media to address COVID-19-related stigma. When stigmatizing discourse on dementia is widely shared and consumed amongst the public, it has public health implications. How we talk about dementia shapes how policymakers, clinicians, and the public value the lives of people with dementia. Stigma perpetuates misinformation, pejorative language, and patronizing attitudes that can lead to discriminatory actions, such as the limited provision of lifesaving supports and health services for people with dementia during the pandemic. COVID-19 policies and public health messages should focus on precautions and preventive measures rather than labeling specific population groups.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle