Analyzing social media discourse of avian influenza outbreaks
Notice bibliographique
Résumé
The ongoing avian influenza outbreaks have had significant implications for the global poultry industry in addition to a wide range of wild birds and mammals. To enhance our understanding of public perceptions and reactions during such outbreaks, the present study examined social media discourse surrounding avian influenza on X (formerly known as Twitter). By employing advanced large language models, including DistilBERT for post filtering (average 89.5% accuracy via 5-fold cross-validation) along with Mixtral-8x7B, BERTopic, and RoBERTa for sentiment and topic/user analysis, this research categorizes the discussions and sentiments expressed by users over time. Our analysis focused on three aspects: main topics, sentiment, and temporal patterns of user engagement surrounding avian influenza outbreaks. Sentiment analysis revealed that a majority of posts related to economic impact (81.2%), wildlife (71.7%), and human cases (67.9%) expressed negative sentiment. Through topic modeling, prevalent topics of concern were identified in discussions, including concerns about transmission to humans and mammals, as well as issues related to food security and food prices. Additionally, the analysis of user engagement patterns showed distinct categories of users and highlighted the contributions of top users in shaping the discourse. Emotion analysis showed that over 80% of posts on major topics conveyed emotions such as anger, sadness, and fear, especially during periods of high case reports. The present study underscores the potential of social media analysis to understand public reactions to avian influenza outbreaks and to facilitate effective responses to public concerns and needs.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».