A Framework for Online Public Health Debates: Some Design Elements for Visual Analytics Systems
Notice bibliographique
Résumé
Nowadays, many people are deeply concerned about their physical well-being; as a result, they invest much time and effort investigating health-related topics. In response to this, many online websites and social media profiles have been created, resulting in a plethora of information on such topics. In a given topic, oftentimes, much of the information is conflicting, resulting in online camps that have different positions and arguments. We refer to the collection of all such positionings and entrenched camps on a topic as an online public health debate. The information people encounter regarding such debates can ultimately influence how they make decisions, what they believe, and how they act. Therefore, there is a need for public health stakeholders (i.e., people with a vested interest in public health issues) to be able to make sense of online debates quickly and accurately. In this paper, we present a framework-based approach for investigating online public health debates—a preliminary work that can be expanded upon. We first introduce the concept of online debate entities (ODEs), which is a generalization for those who participate in online debates (e.g., websites and Twitter profiles). We then present the framework ODIN (Online Debate entIty aNalyzer), in which we identify, define, and justify ODE attributes that we consider important for making sense of online debates. Next, we provide an overview of four online public health debates (vaccines, statins, cannabis, and dieting plans) using ODIN. Finally, we showcase four prototype visual analytics systems whose design elements are informed by the ODIN framework.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».