Pandemic fatigue? Insights from geotagged tweets on the spatiotemporal evolution of mental health in Canadian cities during COVID-19
Notice bibliographique
Résumé
While COVID-19 is no longer a global pandemic, its enduring effects on mental health persist. This is the first study to quantify the impact of the COVID-19 pandemic on population mental health in major Canadian cities. We track mental health dynamics of urban Canadian regions by monitoring the sentiment polarity dynamics, emotion trends, and top keywords of COVID-19 related discussions on Twitter (now X) from 2020 to 2022. Using over 430,000 geo-tagged posts, we combined geospatial mapping, machine learning, and social sensing to assess spatiotemporal variation in mental wellbeing across cities, interpreting underlying key factors and events that drove the mental “re-start” of a post-pandemic society. We found that early spring 2020 to summer 2021 was associated with increasing optimism, which progressed to a decline that persisted until the end of 2022. We observed spatial inequalities in population mental health across and within Vancouver, Calgary, Edmonton, Toronto, and Ottawa-Gatineau, which are predominantly English-speaking regions, and Montréal, a bilingual French-English region. In comparison to other English-speaking cities in the east coast, Toronto's maximum sentiment score was the lowest. Edmonton's maximum sentiment score was the lowest among all cities. Our results suggest that boosting public confidence and rebuilding psychological resilience are important in a post-pandemic era, and that interventions should be considered to address pandemic fatigue.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».