Assessing the public discourse on Twitter: Reactions to theJUUL e-cigarettes ban in the United States
Notice bibliographique
Résumé
INTRODUCTION: JUUL is a high-nicotine pod-based vaping device that is popular among adolescents and young adults. On 23 June 2022, the US Food and Drug Administration (FDA) denied authorization to market JUUL, and ordered JUUL Labs to remove products from the US market. The next day, a US federal appeals court temporarily suspended the ban. The mixed public discourse surrounding the FDA ban warrants further investigation. METHODS: This study examined Twitter data to describe public reaction to these announcements. Posts containing terms 'JUUL' and/or '#JUUL' (N=97548 unique tweets) were collected from 23 June to 3 July 2022, from Twitter's Streaming Application Programming Interface (API). After removing retweets, we used an inductive approach to become familiar with the data, generated a codebook, and conducted a content analysis on a random sample of n=4000 tweets. RESULTS: A total of 2755 (68.9%) tweets discussed JUUL in the context of the FDA ban. News (n=1425/2755; 51.7%) about the JUUL ban, government distrust (n=588; 21.3%), and individual rights (n=253; 9.2%) were the most prevalent themes. Less commonly discussed themes included inconsistencies between policies (n=174; 6.3%), mentions of switching to other products (n=162; 5.9%), smoking cessation (n=99; 3.6%), and craving for JUUL (n=94; 3.4%). Sentiment analysis of JUUL ban-related posts (n=2755) demonstrated that 1989 (72.2%) tweets were categorized as neutral, while anti-ban posts (n=566; 20.5%) were more prevalent than pro-ban posts (n=200; 7.3%). CONCLUSIONS: Besides straightforward announcements of the JUUL ban and its suspension, Twitter posts discussed government distrust, individual rights, and policy inconsistencies. While most posts conveyed neutral sentiments, anti-ban posts were almost three times more prevalent than pro-ban posts. Our findings suggest that text-based social media platforms like Twitter may be an effective instrument to understand opinions, attitudes, and beliefs regarding the FDA's JUUL ban.
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 | 0,000 | 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 | 0,001 | 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 ».