Using Social Media to Model Community-Based Behavioral Response During Public Health Emergencies: A Case Study of the 2023 Canadian Wildfires
Notice bibliographique
Résumé
New York City (NYC) experienced severe air pollution from Canadian wildfires in June 2023, disrupting travel and daily activities. This study analyzed public reactions to evacuation, indoor activities, shopping, and recreation using geotagged X posts during the air pollution crisis. Geotagged posts were reverse geocoded to census blocks and spatially joined with socioeconomic and demographic data from the U.S. census and American Community Survey. The dataset initially comprised 0.59 million geotagged X posts from 66,858 unique users in NYC over a 1-week period. After relevance filtering, the final dataset included 10,258 posts from 10,258 unique users on wildfire-related travel and activity discussions. Public reactions were analyzed using a BERT-based natural language processing model, whereas a gender–race model inferred users’ gender and racial identities based on their first and last names. A multinomial logit model assessed how socioeconomic and demographic factors influenced activity discussions during the crisis. The findings revealed demographic differences in responses. For instance, females were less likely to discuss evacuation and essential trips, possibly owing to continued workplace operations despite hazardous conditions. Racial differences were also evident, with Asians more frequently mentioning evacuation and commuting, whereas African Americans showed lower engagement in discussions about social and recreational activities. Socioeconomic disparities further influenced response patterns, as lower-income and less-educated groups expressed fewer concerns about evacuation, highlighting potential barriers to crisis awareness and preparedness. These insights emphasize the need for targeted communication strategies and equitable health interventions to ensure that emergency responses effectively reach vulnerable populations during environmental crises.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».