Off-label drug use during the COVID-19 pandemic in Africa: topic modelling and sentiment analysis of ivermectin in South Africa and Nigeria as a case study
Notice bibliographique
Résumé
Although rejected by the World Health Organization, the human and even veterinary formulation of ivermectin has widely been used for prevention and treatment of COVID-19. In this work we leverage Twitter to understand the reasons for the drug use from ivermectin supporters, their source of information, their emotions, their gender demographics, and location information, in Nigeria and South Africa. Topic modelling is performed on a Twitter dataset gathered using keywords ‘ivermectin’ and ‘ivm’. A model is fine-tuned on RoBERTa to find the stance of the tweets. Statistical analysis is performed to compare the stance and emotions. Most ivermectin supporters either redistribute conspiracy theories posted by influencers, or refer to flawed studies confirming ivermectin efficacy in vitro . Three emotions have the highest intensity, optimism, joy and disgust. The number of anti-ivermectin tweets has a significant positive correlation with vaccination rate. All the provinces in South Africa and most of the provinces of Nigeria are pro-ivermectin and have higher disgust polarity. This work makes the effort to understand public discussions regarding ivermectin during the COVID-19 pandemic to help policy-makers understand the rationale behind its popularity, and inform more targeted policies to discourage self-administration of ivermectin. Moreover, it is a lesson to future outbreaks.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 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 ».