Using Twitter to Understand COVID-19 Vaccine-Related Ageism During the Pandemic
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: During the rollout of coronavirus 2019 (COVID-19) vaccines, older adults in high-income countries were often prioritized for inoculation in efforts to reduce COVID-19-related mortality. However, this prioritization may have contributed to intergenerational tensions and ageism, particularly with the limited supply of COVID-19 vaccines. This study examines Twitter discourse to understand vaccine-related ageism during the COVID-19 pandemic to inform future vaccination policies and practices to reduce ageism. RESEARCH DESIGN AND METHODS: We collected 1,369 relevant tweets on Twitter using the Twint application in Python from December 8, 2020, to December 31, 2021. Tweets were analyzed using thematic analysis, and steps were taken to ensure rigor. RESULTS: Our research identified four main themes including (a) blame and hostility: "It's all their fault"; (b) incompetence and misinformation: "clueless boomer"; (c) ageist political slander; and (d) combatting ageism: advocacy and accessibility. DISCUSSION AND IMPLICATIONS: Our findings exposed issues of victim-blaming, hate speech, pejorative content, and ageist political slander that is deepening the divide of intergenerational conflict. Although a subset of tweets countered negative outcomes and demonstrated intergenerational solidarity, our findings suggest that ageism may have contributed to COVID-19 vaccine hesitancy among older adults. Consequently, urgent action is needed to counter vaccine misinformation, prohibit aggressive messaging, and promote intergenerational unity during the COVID-19 pandemic 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 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 | 0,001 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».