Canadian COVID-19 Crisis Communication on Twitter: Mixed Methods Research Examining Tweets from Government, Politicians, and Public Health for Crisis Communication Guiding Principles and Tweet Engagement
Notice bibliographique
Résumé
To foster trust on social media during a crisis, messages should implement key guiding principles, including call to action, clarity, conversational tone, compassion and empathy, correction of misinformation, and transparency. This study describes how crisis actors used guiding principles in COVID-19 tweets, and how the use of these guiding principles relates to tweet engagement. Original, English language tweets from 10 federal level government, politician, and public health Twitter accounts were collected between 11 March 2020 and 25 January 2021 (n = 6053). A 60% random sample was taken (n = 3633), and the tweets were analyzed for guiding principles. A tweet engagement score was calculated for each tweet and logistic regression analyses were conducted to model the relationship between guiding principles and tweet engagement. Overall, the use of guiding principles was low and inconsistent. Tweets that were written with compassion and empathy, or conversational tone were associated with greater odds of having higher tweet engagement. Across all guiding principles, tweets from politicians and public health were associated with greater odds of having higher tweet engagement. Using a combination of guiding principles was associated with greater odds of having higher tweet engagement. Crisis actors should consistently use relevant guiding principles in crisis communication messages to improve message engagement.
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 | 0,049 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».