COVID-19 and Tweets About Quitting Cigarette Smoking: Topic Model Analysis of Twitter Posts 2018-2020
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».