Vaccine Hesitancy Hotspots in Africa: An Insight From Geotagged Twitter Posts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many social media users express concerns about vaccines and their side effects on Twitter. These concerns lead to a compromise of confidence which brings about vaccine hesitancy. In Africa, vaccine hesitancy is a major challenge faced by health policymakers in the fight against COVID-19. Given that most tweets are geotagged, clustering them according to their sentiments could help identify locations that may likely experience vaccine hesitancy for health policy and planning. In this study, we collected 70 000 geotagged vaccine-related tweets in nine African countries, from December 2020 to February 2022. The tweets were classified into three sentiment classes—positive, negative, and neutral. The quality of the classification outputs was achieved using Naíve Bayes (NB), logistic regression (LR), support vector machines (SVMs), decision tree (DT), and K-nearest neighbor (KNN) machine learning classifiers. The LR achieved the highest accuracy of 71% with an average area under the curve of 85%. The point-based location technique was used to calculate the hotspots based on the locations of the classified tweets. Locations with green, red, and gray backgrounds on the map signify a hotspot for positive, negative, and neutral sentiments. The outcome of this research shows that discussions on social media can be analyzed to identify hotspots during a disease outbreak, which could inform health policy in planning and management of vaccine hesitancy in Africa.
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.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle