Analysis of Social Media Perceptions During the COVID-19 Pandemic in the United Kingdom: Social Listening Study (2019-2022)
Notice bibliographique
Résumé
Background: Social media listening can be leveraged to obtain authentic perceptions about events, their impact, guidelines, and policies. There has been to date no research that has examined the experiences of patients with COVID-19 from diagnosis to treatment using social media listening in the United Kingdom. Objective: This study aimed to assess public perceptions, insights, and sentiments throughout the patient journey from diagnosis to treatment during the COVID-19 pandemic. Methods: A comprehensive search query was designed to retrieve social media data that referred to COVID-19 and treatment. The search was conducted using the social media monitoring tool, Synthesio (Ipsos). Data were retrospectively collected for the period covering September 2019 to September 2022 from Twitter (subsequently rebranded X), Facebook, Instagram, and YouTube as well as 126 public forums (including Health Unlocked, Mums Net, The Student Room, and Patient Forums UK). Available data in the United Kingdom expressed in the English language were collected and filtered, generating a final dataset consisting of 31,319 posts from an overall initial dataset of 706,634 posts. Complimentary Google trend analyses of search terms mentioning COVID-19 treatments were also performed. Results: Social media posts related to COVID-19 symptoms accounted for 6% of overall posts, compared to 35% of posts related to testing, 25% of posts related to diagnosis, and 32% of posts related to treatment. Overall, the trend observed from social media posts relating to COVID-19 treatment extracted in Synthesio was largely congruent with the trend of COVID-19 searches on Google, indicating a potential relationship between public discourse and social media and internet search behavior. Conclusions: The findings from this study have the potential to inform decision-making regarding public health interventions, communication strategies, and health care policies in the United Kingdom during future public health emergencies.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».