Tracking the Debate: Geo‐Temporal Sentiment Analysis of Community Water Fluoridation on ‘X’ (Formerly Twitter) With Five‐Year Forecast
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: This study examined country-level geo-temporal sentiment trends in community water fluoridation (CWF) discussions on 'X' from 2014 to 2023 and generated a five-year forecast to anticipate future shifts. METHODS: Sentiment analysis was conducted using the VADER 'SentimentIntensityAnalyzer', with polarity thresholds defined as negative (< -0.05), neutral (-0.05 to +0.05) and positive (> +0.05). Data were collected via the 'X' API and examined for sentiment distribution, country-level geo-temporal patterns based on user location information, and engagement metrics (likes, retweets, replies). Ethical approval was obtained, and only publicly available data were analysed in compliance with the platform's terms of service. Limitations include restriction to English-language tweets and the non-representativeness and demographic biases of 'X' users compared with national populations. RESULTS: Of 72 309 original tweets analysed, 37.4% were negative, 34.4% positive and 28.2% neutral. Countries with low tweet volumes (e.g., Venezuela, Cyprus, Croatia, Pakistan, Vietnam) showed predominantly positive sentiment. In contrast, high-volume countries (the US, Canada, Australia, Brazil and the United Kingdom) displayed mixed sentiment without a clear majority. Predictive modelling indicated a modest shift toward less positive sentiment polarity over the next 5 years, with average polarity projected to decrease from 0.43 in 2024 to 0.38 in 2028. Supplementary analysis of more recent tweets (Jan 2024-Aug 2025) provided further insight into emerging patterns, broadly consistent with the projected trends. CONCLUSIONS: CWF discourse on 'X' is polarised and varies across countries and time. The expected decline in positivity underscores the need for tailored country-specific public health communication strategies to strengthen engagement and counter misinformation.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle