COVID-19 Messaging on Social Media for American Indian and Alaska Native Communities: Thematic Analysis of Audience Reach and Web Behavior
Notice bibliographique
Résumé
BACKGROUND During the COVID-19 pandemic, tribal and public health organizations used social media to rapidly disseminate public health guidance highlighting protective behaviors such as masking and vaccination to mitigate the pandemic’s disproportionate burden on Native American communities. OBJECTIVE Seeking to provide guidance for future communication campaigns, this study aimed to identify Twitter post characteristics associated with higher performance, measured by audience reach (impressions) and online behavior (engagement rate). METHODS We analyzed Twitter posts sent in a campaign by the Johns Hopkins Center for American Indian Health from July 2020 to June 2021. Qualitative analysis was informed by in-depth interviews with members of a Tribal Advisory Board and thematically organized according to the Health Belief Model. Logistic regression was used to analyze associations between Twitter post theme, impressions, and engagement rate. RESULTS The campaign published 162 Twitter messages which organically generated 427,888 impressions and 6,045 engagements. Iterative analysis of these Twitter posts identified 10 unique themes under theory- and culture-related categories of framing knowledge, cultural messaging, normalizing mitigation strategies, and interactive opportunities, corroborated by interviews with Tribal Advisory Board members. Statistical analysis of Twitter impressions and engagement rate by theme demonstrated that posts featuring culturally-resonate community role models (p=.02), promoting online events (p=.002), and messaging as part of Twitter Chats (p=<.001) were likely to generate higher impressions. In the adjusted analysis controlling for date of posting, only the promotion of online events (p=.003) and Twitter Chat messaging (p=.01) remained significant. In terms of engaging users, highly visual and explanatory posts promoting self-efficacy (p=.01; p=.01) and humorous posts (p=.02; p=.01) were most likely to generate high engagement rates in both the adjusted and unadjusted analysis. CONCLUSIONS Results from the one-year Twitter campaign provide lessons to inform organizations designing social media messages to reach and engage Native social media audiences. The use of interactive messaging, instructional graphics and Native humor are promising practices to engage community members, potentially opening audiences to receiving important and time-sensitive guidance, particularly during a pandemic.
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 | 0,008 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».