Twitter conversations on sustainable development goals in Brazilian public universities using natural language processing
Notice bibliographique
Résumé
Abstract This study aims to provide insight into the behavior of Twitter conversations related to the Sustainable Development Goals (SDGs) by Brazilian public universities (UPBs) using Natural Language Processing (NLP). To achieve this goal, it was decided to develop descriptive research as it explores the characteristics of conversations focused on Twitter, one of the world's most used social media channels. Natural language processing (NLP) techniques based on the R programming language were used to extract and treat conversations held by the UPBs about the SDG objectives on Twitter. The study period is comprised of the creation of the first Twitter account by the universities until the data collection date, that is, between 2008 and 2022, therefore, 15 years of study, during this period, 326,114 tweets were identified. Evidence points to a substantial evolution in tweet publications by universities over the 15 years of studies. Thus, the practically zero publications in 2008 jumped to more than 15 thousand tweets in 2020. These findings show and confirm that universities use this social media to interact with their stakeholders. In addition, the results indicate that the analyzed universities make few publications on their Twitter about SDGs. In fact, of the 46 universities, only 6 tweeted about the subject, representing 13%. During the 15 years of studies, only 31 tweets were made on the subject. We found that the conversations and positions of universities on this subject in their social networks are few, insufficient, timid, and weak. As a second practical implication of this study, universities as centers of research, knowledge construction, and humanistic training urgently need to position themselves more on this subject in their social networks in order to demonstrate the relevance of the subject and inform about their accomplishments, and the need to everyone got involved in the theme.
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 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».