A content analysis of Canadian influencer crisis messages on Instagram and the public’s response during COVID-19
Notice bibliographique
Résumé
Successful mitigation of emerging infectious disease requires that the public adopt recommended behaviours, which is directly influenced by effective crisis communication. Social media has become an important communication channel during COVID-19 where official actors, influencers, and the public are co-creating crisis messages. Our research examined COVID-19-related crisis messages across Canadian influencer accounts within news media, politicians, public health and government, science communicators, and brand influencer and celebrities, posted on Instagram between December 2019 and March 2021 for Health Belief Model and Extended Parallel Processing Model constructs and the corresponding public comment sentiment and engagement. Thirty-three influencer accounts resulted in a total of 2,642 Instagram posts collected, along with 461,436 comments, which showed overall low use of constructs in both captions and images. Further, most posts used no combinations (n = 0 or 1 construct per post) of constructs in captions and images and very infrequently used captions that combined threat (severity and susceptibility) with cues to action and efficacy. Brand influencers and celebrities, politicians, and science communicators had above average post engagement while public health and government and news media had lower. Finally, most influencers saw the largest proportion of neutral sentiment comments. Crisis messages must be designed to include combinations of constructs that increase message acceptance and influence risk perception and efficacy to increase the adoption of recommended and mandated behaviours.
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 | 0,012 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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 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 ».