COVID-19 Information Dissemination Via Social Media: Content Analysis of Instagram Posts During the COVID-19 Outbreak
Notice bibliographique
Résumé
Introduction: Social media platforms provide easy access to an unprecedented volume of information which could influence the awareness and perception of people during public health crises. The current study aims to explore the trends and content of the posts on Instagram.Material and Methods: We performed a retrospective content analysis of available public messages posted on Instagram. We collected data between 23 January 2020 and 25 March 2020. The inclusion criteria included an Instagram post with a hashtag related to Coronavirus (i.e. # “Corona” and # “Coronavirus”, in the Persian language). Persian hashtags were used for retrieving posts. All posts were categorized into seven categories. We performed descriptive statistics with Microsoft Excel 2019 and SPSS version 26.Results: A total of 4280 posts were extracted, out of which 1281 were categorized into seven main categories including News (n=205, 26.7%), Criticism (n=136, 17.7%), Education (n=112, 14.6%), Coronavirus’s impact on the healthcare system (n=100, 13%), Combating Coronavirus (n=98, 12.8%), Coronavirus’s impact on society (n=89, 11.6%), Joke (n=28, 3.6%).Conclusion:Our findings revealed that the trend of posts on social media was influenced by factors such as the nature of the information sources as well as social and political occasions. This study provides insight into health dissemination on social media for future responses to public health crises.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 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 ».