Examining Public Sentiments and Attitudes Toward COVID-19 Vaccination: Infoveillance Study Using Twitter Posts
Notice bibliographique
Résumé
Background A global rollout of vaccinations is currently underway to mitigate and protect people from the COVID-19 pandemic. Several individuals have been using social media platforms such as Twitter as an outlet to express their feelings, concerns, and opinions about COVID-19 vaccines and vaccination programs. This study examined COVID-19 vaccine–related tweets from January 1, 2020, to April 30, 2021, to uncover the topics, themes, and variations in sentiments of public Twitter users. Objective The aim of this study was to examine key themes and topics from COVID-19 vaccine–related English tweets posted by individuals, and to explore the trends and variations in public opinions and sentiments. Methods We gathered and assessed a corpus of 2.94 million COVID-19 vaccine–related tweets made by 1.2 million individuals. We used CoreX topic modeling to explore the themes and topics underlying the tweets, and used VADER sentiment analysis to compute sentiment scores and examine weekly trends. We also performed qualitative content analysis of the top three topics pertaining to COVID-19 vaccination. Results Topic modeling yielded 16 topics that were grouped into 6 broader themes underlying the COVID-19 vaccination tweets. The most tweeted topic about COVID-19 vaccination was related to vaccination policy, specifically whether vaccines needed to be mandated or optional (13.94%), followed by vaccine hesitancy (12.63%) and postvaccination symptoms and effects (10.44%) Average compound sentiment scores were negative throughout the 16 weeks for the topics postvaccination symptoms and side effects and hoax/conspiracy. However, consistent positive sentiment scores were observed for the topics vaccination disclosure, vaccine efficacy, clinical trials and approvals, affordability, regulation, distribution and shortage, travel, appointment and scheduling, vaccination sites, advocacy, opinion leaders and endorsement, and gratitude toward health care workers. Reversal in sentiment scores in a few weeks was observed for the topics vaccination eligibility and hesitancy. Conclusions Identification of dominant themes, topics, sentiments, and changing trends about COVID-19 vaccination can aid governments and health care agencies to frame appropriate vaccination programs, policies, and rollouts.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».