Impact of Elon Musk’s Tweeting about Psychiatric Medication on the Internet, Media, and Purchasing: Observational Study
Notice bibliographique
Résumé
Background Public figures have an ability to shape public discourse, patterns of behaviors, and actions. Tech-billionaire Elon Musk, with nearly 100 million followers on Twitter, advocated for the decrease use of Wellbutrin with neutral-to-positive opinion of Ritalin.Objective We investigated Elon Musk’s Twitter posts, subsequent Google search trends, Amazon purchases, television airtime, and news articles on the terms Wellbutrin, bupropion, methylphenidate, Adderall, and Ritalin.Methods Twitter was indexed with Social Sprout, as well as to determine average analytics, impressions, and other necessary metrics. News and television airtime was catalogued in the United States’ 5 largest TV stations with the Global Database of Events, Language, and Tone. Google searches and shopping trends were analyzed with Google Trends. Amazon purchases were catalogued with Helium 10 software. Sentiment analysis was performed on Twitter hashtags using Sentiment Viz.Results From April 24 to May 14, 2022, EM made 3 tweets anecdotally about Wellbutrin and Ritalin, which resulted in a nearly 130% increase in retweets and 472% increase in comments compared to average. Sentiment on Twitter remained largely negative for Wellbutrin, compared to Ritalin. Wellbutrin was searched the most, along with its side effects and treatments, followed by Ritalin, then Adderall, Bupropion, and Methylphenidate. Bupropion and Methylphenidate had extended search periods, compared to Ritalin and Wellbutrin. Purchasing of all top Ritalin products increased on Amazon (18% increase compared to previous week), whereas Wellbutrin-like products decreased in purchasing by 11% on average.Conclusions Twitter has mass sway and influence on populations, including their purchasing power. Public health officials must work to combat medical misinformation on the platform.
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 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 | 0,009 | 0,010 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».