Exploring the use of #MyAnglophoneCrisisStory on Twitter to understand the impacts of the Cameroon Anglophone Crisis
Notice bibliographique
Résumé
Since October 2016, Cameroon has been involved in a violent conflict known as the Anglophone Crisis. This study examines the impact of the hashtag #MyAnglophoneCrisisStory on Twitter in capturing and amplifying the stories of people affected by the crisis. Using R, the authors extracted and analyzed tweets using this hashtag that were posted between 21 October 2020 and 3 November 2020. Only tweets posted in English and French languages were included. To understand the content of the tweets, the authors inductively coded and manually analyzed a total of 1064 tweets, replies, and comments. A categorical analysis revealed the presence of three different types of tweets: ‘Story’, ‘Response to Story’, and ‘Awareness and Advocacy’. The ‘Story’ category had four distinct themes: (1) Senseless Loss of Life: Shot and Killed; (2) The Disappeared: Lost and Kidnapped; (3) On the Move/Elusive Safety: Escape, Displacement; and (4) Prevention and Trauma, Mental Health, and Post Traumatic Stress Disorder. This study supports the concept that even short tweets can have a significant impact and signals the need for more attention and research on this overlooked conflict. Future work can involve the use of more advanced analysis tools to conduct a more thorough examination of tweets.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».