Insights from antiaging-related X discussions: A six-year #Longevity hashtag analysis study
Notice bibliographique
Résumé
• Study of tweets containing the hashtag #Longevity on X over six years (August 2018 – August 2024). • A total of 382,032 tweets posted from 109,935 users were analyzed. • The sentiment was predominantly positive but showed a slight decline during and after the COVID-19 pandemic. • Health, aging, wellness, and fitness were dominant themes in #Longevity-tagged tweets. • Nicotinamide mononucleotide, rapamycin, and green tea were the most frequently mentioned supplements and drugs. As social media platforms continue to play an increasingly significant role in shaping public discourse and disseminating scientific information, understanding how longevity and aging-related topics are discussed online has become crucial for researchers and healthcare professionals. This study investigates the global discourse on longevity and aging through the analysis of the hashtag #Longevity on the social media platform X (formerly Twitter) over a six-year period from August 1, 2018, to August 1, 2024. A total of 382 032 posts were shared by 109 935 users across 200 countries. The analysis focused on revealing key themes, geographical distribution, sentiment analysis, and the most frequently mentioned supplements and drugs related to longevity. The results show a high level of engagement with the hashtag, primarily driven by users from the United States, followed by the United Kingdom and Canada. Sentiment analysis revealed predominantly positive attitudes towards longevity-related topics, with a slight but statistically significant (p < 0.0001) decline during and after the COVID-19 pandemic. The study identified nicotinamide mononucleotide, rapamycin, and green tea as the most frequently mentioned supplements or drugs in longevity discussions. Notably, there was a significant increase in discussions about niacin derivatives, particularly nicotinamide mononucleotide, during and after the pandemic period. This study highlights the importance of social media as a tool for gauging public interest and sentiment towards scientific topics like longevity, providing valuable insights for researchers, healthcare professionals, and policymakers to enhance science communication and public engagement.
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 | 0,005 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».