Does Citizen Engagement With Government Social Media Accounts Differ During the Different Stages of Public Health Crises? An Empirical Examination of the COVID-19 Pandemic
Notice bibliographique
Résumé
Background: The COVID-19 pandemic has created one of the greatest challenges to humankind, developing long-lasting socio-economic impacts on our health and wellbeing, employment, and global economy. Citizen engagement with government social media accounts has proven crucial for the effective communication and management of public health crisis. Although much research has explored the societal impact of the pandemic, extant literature has failed to create a systematic and dynamic model that examines the formation mechanism of citizen engagement with government social media accounts at the different stages of the COVID-19 pandemic. This study fills this gap by employing the Heuristic-Systematic Model and investigating the effects of the heuristic clues including social media capital, information richness, language features, dialogic loop, and the systematic clue including content types, on citizen engagement with government social media across three different stages of the pandemic, employing the moderating role of emotional valence. Methods: The proposed model is validated by scraping 16,710 posts from 22 provincial and municipal government micro-blog accounts in the Hubei province, China. Results: Results show that the positive effects of social media capital on citizen engagement were observed at all stages. However, the effects of information richness, language features, dialogic loop, and content types, and the moderating effect of emotional valence, varied across the different pandemic development stages. Conclusions: The findings provide suggestions for the further effective use of government social media, and better cope with crises. Government agencies should pay attention to the content and form of information shared, using technical means to analyze the information needs of citizens at different stages of public health emergencies, understanding the content most concerned by citizens, and formulating the content type of posts.
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 | 0,005 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».