Investigating the Impact of the New York State Flavor Ban on e-Cigarette–Related Discussions on Twitter: Observational Study
Notice bibliographique
Résumé
BACKGROUND: On May 18, 2020, the New York State Department of Health implemented a statewide flavor ban to prohibit the sales of all flavored vapor products, except for tobacco or any other authorized flavor. OBJECTIVE: This study aims to investigate the discussion changes in e-cigarette-related tweets over time with the implementation of the New York State flavor ban. METHODS: Through the Twitter streaming application programming interface, 59,883 e-cigarette-related tweets were collected within the New York State from February 6, 2020, to May 17, 2020 (period 1, before the implementation of the flavor ban), May 18, 2020-June 30, 2020 (period 2, between the implementation of the flavor ban and the online sales ban), July 1, 2020-September 15, 2020 (period 3, the short term after the online sales ban), and September 16, 2020-November 30, 2020 (period 4, the long term after the online sales ban). Sentiment analysis and topic modeling were conducted to investigate the changes in public attitudes and discussions in e-cigarette-related tweets. The popularity of different e-cigarette flavor categories was compared before and after the implementation of the New York State flavor ban. RESULTS: Our results showed that the proportion of e-cigarette-related tweets with negative sentiment significantly decreased (4305/13,246, 32.5% vs 3855/14,455, 26.67%, P<.001), and tweets with positive sentiment significantly increased (5246/13,246, 39.6% vs 7038/14,455, 48.69%, P<.001) in period 4 compared to period 3. "Teens and nicotine products" was the most frequently discussed e-cigarette-related topic in the negative tweets. In contrast, "nicotine products and quitting" was more prevalent in positive tweets. The proportion of tweets mentioning mint and menthol flavors significantly increased right after the flavor ban and decreased to lower levels over time. The proportions of fruit and sweet flavors were most frequently mentioned in period 1, decreased in period 2, and dominated again in period 4. CONCLUSIONS: The proportion of e-cigarette-related tweets with different attitudes and frequently discussed flavor categories changed over time after the implementation of the New York State ban of flavored vaping products. This change indicated a potential impact of the flavor ban on public discussions of flavored e-cigarettes.
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 | 0,004 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».