“No claims, no trials, no compensation. Just roll up your sleeve”: social media communication on vaccine uptake sentiments in Canada
Notice bibliographique
Résumé
Social media platforms are data-rich sources of communication. We analysed 20,000 Canadian COVID vaccine tweets at two Canadian geographic and temporal levels of before and after vaccine arrivals in two provinces of British Columbia (BC) with the highest COVID vaccine uptake and Ontario (ON) with the lowest uptake. Using machine learning based sentiment analysis and topic modeling and drawing on framing theory, the positive and negative emotional sentiment were framed into actionable subframes to inform future vaccine propagation efforts. The vaccine negative sentiments that emerged were framed from a constellation of insecurities and categorized into four intertwined frames and themes: health information mavenism framed misinformation and conspiracy beliefs (20% and 16% post-vaccine reduction in BC and ON); constellation of insecurities framed antivaccine expressions and hesitancy (9% and 6% drop in BC and ON post- vaccine); pandemic of mistrust and opinions framed lack of faith and skepticism (post-vaccine arrival increased by 19% in BC and dropped by 6% in ON) and opinions and perceptions framed fear, death and worry (stable over time in BC and 20% increased in ON). Vaccine propagation efforts should consider over time disappearing misinformation and conspiracies while attentive to lingering conspiracies creating fears and worries of death.
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,004 | 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) | 0,003 | 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 ».