Breathing together: A global hashtag analysis of #LungHealth on platform X (formerly Twitter)
Notice bibliographique
Résumé
Background: The X platform has gained popularity in healthcare, with posts among physicians increasing by 112% over five years. In the context of pulmonology, #LungHealth is used for engagement, spreading awareness, and disseminating information on respiratory diseases, yet its impact remains unexplored. Objective: We aim to analyze #LungHealth by measuring outreach and quantitative engagement metrics associated with #LungHealth. Methods: We conducted an analysis of #LungHealth posts over social media platform X (formerly Twitter) using Fedica, an analytic tool over 2 years from 1st May 2022 to 1st May 2024. This analysis studied quantitative metrics such as the number of posts, likes, views, user's geographical distribution, and co-occurring hashtags. Results: This hashtag analysis of #LungHealth for 2 years resulted in a total of 13,824 posts. The study showed that these posts were generated by 6100 active users producing over 80 million impressions. The posts garnered 1116 replies and 19,006 likes. Geographical distribution showed the posts spanning across 105 countries. The top 10 countries with the highest number of posts were the USA, India, UK, Canada, Australia, Nigeria, Belgium, Netherlands, Switzerland, and Kenya. Common co-occurring hashtags identified were #COPD, #COVID19, #Lungcancer, and #Asthma. The top 10 influencers consisted of six Indian media outlets, one health company, one educational institution, one Arabic media outlet, and one American journalist. Conclusion: This is the first study that provides a unique perspective on utilizing #LungHealth as a tool for global engagement in promoting lung health awareness and reaching various audiences on a global scale.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».