Actions Speak Louder Than Words: Sentiment and Topic Analysis of COVID-19 Vaccination on Twitter and Vaccine Uptake
Notice bibliographique
Résumé
Background The lack of trust in vaccines is a major contributor to vaccine hesitancy. To overcome vaccine hesitancy for the COVID-19 vaccine, the Australian government launched multiple public health campaigns to encourage vaccine uptake. This sentiment analysis examines the effect of public health campaigns and COVID-19–related events on sentiment and vaccine uptake. Objective This study aims to examine the relationship between sentiment and COVID-19 vaccine uptake and government actions that impacted public sentiment about the vaccine. Methods Using machine learning methods, we collected 137,523 publicly available English language tweets published in Australia between February and October 2021 that contained COVID-19 vaccine–related keywords. Machine learning methods were used to extract topics and sentiments relating to COVID-19 vaccination. The relationship between public vaccination sentiment on Twitter and vaccine uptake was examined. Results The majority of collected tweets expressed negative (n=91,052, 66%) rather than positive (n=21,686, 16%) or neutral (n=24,785, 18%) sentiments. Topics discussed within the study time frame included the role of the government in the vaccination rollout, availability and accessibility of the vaccine, and vaccine efficacy. There was a significant positive correlation between negative sentiment and the number of vaccine doses administered daily (r267=.15, P<.05), with positive sentiment showing the inverse effect. Public health campaigns, lockdowns, and antivaccination protests were associated with increased negative sentiment, while vaccination mandates had no significant effect on sentiment. Conclusions The study findings demonstrate that negative sentiment was more prevalent on Twitter during the Australian vaccination rollout but vaccine uptake remained high. Australians expressed anger at the slow rollout and limited availability of the vaccine during the study period. Public health campaigns, lockdowns, and antivaccination rallies increased negative sentiment. In contrast, news of increased vaccine availability for the public and government acquisition of more doses were key government actions that reduced negative sentiment. These findings can be used to inform government communication planning.
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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».