Negative sentiments toward anterior cruciate ligament injury prevention outweigh positive awareness discussions on social media
Notice bibliographique
Résumé
OBJECTIVES: The aim of this study is to understand the current public discussion surrounding anterior cruciate ligament (ACL) injury prevention on social media and determine factors that influence levels of public engagement. METHODS: We performed a qualitative and quantitative cross-sectional analysis of ACL injury prevention techniques discussed on social media via the Twitter application programming interface (API). The Twitter API was queried from inception to May 2023 using keywords related to ACL injury and prevention. We conducted a thematic analysis of the posts and performed a sentiment analysis using natural language processing. A multivariable regression model was used to identify metadata that predicted higher engagement (media, links, tagging, hashtags). RESULTS: A subset of 1823 unique posts was analyzed from 1701 unique accounts. Most posts were raising awareness about ACL injury prevention (n = 733, 40.2%), followed by opinions on the topic (n = 390, 21.4%), specific prevention techniques (n = 289, 15.9%), personal experiences (n = 272, 14.9%), and research (n = 139, 7.6%). The majority consisted of posts from patients or caregivers (n = 948, 55.7%), whereas healthcare providers accounted for 14.7% of posts. Posts containing media increased Tweet engagement count by an average of 6.1 (95% CI 2.8 to 9.4, p = 0.00033) and posts discussing personal opinions increased engagement by 6.7 (95% CI 3.5 to 9.8, p = 0.00004). On sentiment analysis of all included Tweets, 822 (45.1%) posts were positive, 309 (17.0%) were negative, and 692 (38.0%) were neutral. Sentiments expressed in posts related to ACL prevention were 2.8 times more negative compared to those discussing raising awareness. CONCLUSIONS: There is active discussion about ACL injury prevention on Twitter. The use of visual media increased public engagement. We identified a potential knowledge gap between the available prevention techniques and the perspectives of athletes, highlighting the need for healthcare professionals to enhance their engagement with ACL injury prevention on social media. LEVEL OF EVIDENCE: III.
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 | 0,003 | 0,021 |
| 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 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».