A national discussion of COVID-19 on Twitter
Notice bibliographique
Résumé
Introduction: During the COVID-19 pandemic, social media became increasingly relied upon for health information in Canada. By analyzing georeferenced tweets using natural language processing, we aimed to understand regional discussions and concerns about school closures, masking, vaccines, and lockdowns during the pandemic's first two years. Methods: Using Twitter's application programming interface, we collected English-language tweets with keywords related to COVID-19 posted between January 1, 2020 and February 22, 2022 from Canadian users. Results: Out of all retained tweets, 2,851,951 (47.9%) were about vaccines, 1,344,008 (22.6%) about lockdowns, 1,011,909 (17%) about schooling, and 752,014 (12.6%) about masking. Tweets on schooling received the most engagement, with the highest rates of likes (17.3%), retweets (18.7%), replies (10%), and quotes (6.8%). The most common emotions expressed were trust, fear, and anticipation, with lockdown tweets showing greater fear and sadness. Overall, sentiment was negative, particularly regarding lockdowns in the Northwest Territories and Alberta. Discussion: During the COVID-19 pandemic, Twitter became an essential tool for analyzing public sentiment regarding government actions. Users showed the most interest in vaccines, followed by lockdowns, schooling, and masking, with the highest engagement on schooling tweets. Our analysis of sentiment, emotion, and content revealed valuable insights into public beliefs about COVID-19 in Canada, highlighting regional differences and shifts in sentiment, particularly negative reactions to school closures as government recommendations evolved. Our study adds to the growing evidence supporting the use of natural language processing for real-time analysis of social media content to early identify public health concerns.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».