Public Perceptions and Discussions of the US Food and Drug Administration's JUUL Ban Policy on Twitter: Observational Study
Notice bibliographique
Résumé
BACKGROUND: On June 23, 2022, the US Food and Drug Administration announced a JUUL ban policy, to ban all vaping and electronic cigarette products sold by Juul Labs. OBJECTIVE: This study aims to understand public perceptions and discussions of this policy using Twitter (subsequently rebranded as X) data. METHODS: Using the Twitter streaming application programming interface, 17,007 tweets potentially related to the JUUL ban policy were collected between June 22, 2022, and July 25, 2022. Based on 2600 hand-coded tweets, a deep learning model (RoBERTa) was trained to classify all tweets into propolicy, antipolicy, neutral, and irrelevant categories. A deep learning model (M3 model) was used to estimate basic demographics (such as age and gender) of Twitter users. Furthermore, major topics were identified using latent Dirichlet allocation modeling. A logistic regression model was used to examine the association of different Twitter users with their attitudes toward the policy. RESULTS: Among 10,480 tweets related to the JUUL ban policy, there were similar proportions of propolicy and antipolicy tweets (n=2777, 26.5% vs n=2666, 25.44%). Major propolicy topics included "JUUL causes youth addition," "market surge of JUUL," and "health effects of JUUL." In contrast, major antipolicy topics included "cigarette should be banned instead of JUUL," "against the irrational policy," and "emotional catharsis." Twitter users older than 29 years were more likely to be propolicy (have a positive attitude toward the JUUL ban policy) than those younger than 29 years. CONCLUSIONS: Our study showed that the public showed different responses to the JUUL ban policy, which varies depending on the demographic characteristics of Twitter users. Our findings could provide valuable information to the Food and Drug Administration for future electronic cigarette and other tobacco product regulations.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».