The Volume and Tone of Twitter Posts About Cannabis Use During Pregnancy: A Scoping Review Protocol
Notice bibliographique
Résumé
Introduction: Cannabis use has increased in Canada since its legalization in 2018, including among pregnant women who may be motivated to use the substance to reduce symptoms of conditions, such as nausea and vomiting. However, a growing body of research suggests that cannabis use during pregnancy may harm the developing fetus. Patients increasingly seek medical advice from online sources, but these platforms are often used to spread anecdotal descriptions or misinformation. Given the possible disconnect between online messaging and evidence-based research about the effects of cannabis use during pregnancy, there is a potential for advice taken from social media to cause harm. We propose a scoping review of Twitter to quantify the volume and tone of English-language posts related to cannabis use in pregnancy posted since January 2012. Methods and Analysis: Using Arksey and O’Malley’s framework for scoping reviews, we will collect publicly available posts from Twitter that mention cannabis use during pregnancy and employ the Twitter Application Programming Interface (API) for Academic Research to extract data from included tweets on author, favourites and retweets, health effect mentions, sentiment, and location. These data will be used to quantify how cannabis use during pregnancy is discussed on Twitter and to build a qualitative profile of supportive and opposing posters. Ethics and Dissemination: Research ethics approval is not required for publicly accessible Twitter data. We will disseminate this review’s findings through traditional channels, including preprint and peer-reviewed publications and presentations at academic conferences. In addition, we will share our findings through professional and institutional social media accounts and web pages associated with the research team.
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 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 | 0,002 | 0,005 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,067 | 0,014 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».