UNDERSTANDING DEMENTIA DISCOURSE DURING ALZHEIMER’S AWARENESS MONTH IN CANADA: FIRST INSIGHTS FROM A TWITTER STUDY
Notice bibliographique
Résumé
Abstract Twitter has become a key platform for public health campaigns, ranging from mental health awareness week to diabetes awareness month. However, there is a paucity of knowledge about how Twitter is being used to support health campaigns, particularly for Alzheimer’s Awareness Month. This presentation aims to: 1) identify how Twitter was used to share dementia discourse during Canada’s Alzheimer’s Awareness Month in January; and 2) explore actions to enhance dementia awareness using Twitter for future Alzheimer’s Awareness Month campaigns. Tweets were collected from Twitter using the Twint application in Python from January 1 to January 31, 2022. Filters were used to exclude irrelevant tweets (5,820), and the remaining 1,289 tweets were exported to Excel. Tweets were divided among eleven coders and analyzed using inductive thematic analysis. Analysis revealed four main themes: dementia education and advocacy; fundraising and promotion; sharing experiences of dementia; and opportunities for future actions such as collaborative partnerships and educational tweets to correct stigmatizing language and dementia stereotypes. Increased educational content, collaborative partnerships, and evidence-informed research are essential to enhancing dementia awareness strategies on Twitter during Alzheimer’s Awareness Month in Canada. Further research is needed to develop, implement, and evaluate methods to improve dementia awareness on Twitter during Alzheimer’s Awareness Month and beyond.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,028 | 0,007 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».