Public Discourse Toward Older Drivers in Japan Using Social Media Data From 2010 to 2022: Longitudinal Analysis
Notice bibliographique
Résumé
Background: As the global population ages, concerns about older drivers are intensifying. Although older drivers are not inherently more dangerous than other age groups, traditional surveys in Japan reveal persistent negative sentiments toward them. This discrepancy suggests the importance of analyzing discourse on social media, where public perceptions and societal attitudes toward older drivers are actively shaped. Objective: This study aimed to quantify long-term public discourse on older drivers in Japan through Twitter (subsequently rebranded X), a leading social media platform. The specific objectives were to (1) examine the sentiments toward older drivers in tweets, (2) identify the textual contents and topics discussed in the tweets, and (3) analyze how sentiments correlate with various variables. Methods: We collected Japanese tweets related to older drivers from 2010 to 2022. Each quarter, we (1) applied to the Japanese version of the Linguistic Inquiry and Word Count dictionary for sentiment analysis, (2) employed 2-layer nonnegative matrix factorization for dynamic topic modeling, and (3) applied correlation analyses to explore the relationships of sentiments with crash rates, data counts, and topics. Results: We obtained 2,625,807 tweets from 1,052,976 unique users discussing older drivers. The number of tweets has steadily increased, with significant peaks in 2016, 2019, and 2021, coinciding with high-profile traffic crashes. Sentiment analysis revealed a predominance of negative emotions (n=383,520, 62.42%), anger (n=106,767, 17.38%), anxiety (n=114,234, 18.59%), and risk (n=357,311, 58.15%). Topic modeling identified 29 dynamic topics, including those related to driving licenses, crash events, self-driving technology, and traffic safety. The crash events topic, which increased by 0.28% per year, showed a strong correlation with negative emotion (r=0.76, P<.001) and risk (r=0.72, P<.001). Conclusions: This 13-year study quantified public discourse on older drivers using Twitter data, revealing a paradoxical increase in negative sentiment and perceived risk, despite a decline in the actual crash rate among older drivers. These findings underscore the importance of reconsidering licensing policies, promoting self-driving systems, and fostering a more balanced understanding to mitigate undue prejudice and support continued safe mobility for older adults.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».