‘Vaccinfluencers’: a study of influential voices criticizing COVID-19 vaccination efforts and negative vaccine information discourse on Twitter
Notice bibliographique
Résumé
In late 2020, the large-scale rollout of COVID-19 vaccines to combat the global pandemic ignited a firestorm of debates and media discourse on vaccines. We conducted a discourse analysis of tweets (n = 875) criticizing the COVID-19 vaccination process and/or containing negative vaccine information (NVI) authored by influential Twitter accounts receiving the highest user engagement. Results showed news media and private citizens to be important influencers of NVI discourse criticizing the COVID-19 vaccination process on Twitter. The most frequently expressed beliefs centered around ineffective vaccine policies and inadequate government responses. A content analysis revealed that on average, tweets criticizing a broader inadequate public health response were the most retweeted. Statistically significant differences in vaccine discourse were found between Canada and the United States, underscoring the importance of local context-specific factors that influence how Twitter users construct issues related to COVID-19 vaccination. Our results suggest that satisfaction with the leaders in charge of the rollout of COVID-19 vaccines may have depended more on how those leaders acted rather than actual vaccination rates. Studying concerns and criticisms toward vaccination and NVI are key to identifying areas of change in vaccine policies and programs that citizens and other actors want to see implemented.
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 | 0,018 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».