Examining Public Awareness of Ageist Terms on Twitter: Content Analysis
Notice bibliographique
Résumé
Background: The World Health Organization, the Centers for Disease Control and Prevention, and the Gerontological Society of America have made efforts to raise awareness on ageist language and propose appropriate terms to denote the older adult population. The COVID-19 pandemic and older adults' vulnerability to the disease have perpetuated hostile ageist discourse on social media. This is an opportune time to understand the prevalence and use of ageist language and discuss the ways forward. Objective: This study aimed to understand the prevalence and situated use of ageist terms on Twitter. Methods: We collected 60.32 million tweets between March and July 2020 containing terms related to COVID-19. We then conducted a mixed methods study comprising a content analysis and a descriptive quantitative analysis. Results: A total of 58,930 tweets contained the ageist terms "old people" or "elderly." The more appropriate term "older adult" was found in 11,328 tweets. Twitter users used ageist terms (eg, "old people" and "elderly") to criticize ageist messages (17/60, 28%), showing a lack of understanding of appropriate terms to describe older adults. Highly hostile ageist content against older adults came from tweets that contained the derogatory terms "old people" (22/30, 73%) or "elderly" (13/30, 43%). Conclusions: The public discourse observed on Twitter shows a continued lack of understanding of appropriate terms to use when referring to older adults. Effort is needed to eliminate the perpetuation of ageist messages that challenge healthy aging. Our study highlights the need to inform the public about appropriate language use and ageism.
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 | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».