Exploring Communication by Public Health Leaders and Organizations During the Pandemic: A Content Analysis of COVID-Related Tweets
Notice bibliographique
Résumé
OBJECTIVES: Health communication is an essential competency in public health practice. The increasing use of social media and the connectivity between the general public and public health leaders present a unique opportunity to explore how digital communications tools were leveraged in the COVID-19 pandemic. This study explores Twitter-based communications from public health leaders and organizations across Canada and compares them with those from the World Health Organization (WHO). This research aimed to understand Twitter communications strategies to address the COVID-19 pandemic, other public health emergencies, and non-emergency public health issues. METHODS: A content analysis of COVID-related Twitter content during the first wave of the pandemic (January 1-August 31, 2020) was performed. The Canadian Institute for Health Information (CIHI) Policy Intervention Scan was used as a framework to analyze messaging from public health leaders and the WHO. RESULTS: Findings demonstrate that most tweets from public health leaders and organizations in Canada and the WHO focused on case management and public information. Gaps and areas of weakness identified include the lack of Twitter participation by some public health leaders and a narrow range of policy intervention topics, limiting the breadth and depth of public health messages. CONCLUSION: Strengthening communications can serve to improve information sharing in future pandemics or public health crises. Further research should assess how public health leaders and organizations applied communication best practices on all social media platforms and across different policy interventions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».