Une exploration des messages Twitter émis par les gouvernements en temps de COVID-19
Bibliographic record
Abstract
Les gouvernements se tournent de plus en plus vers les plateformes de médias sociaux telles que Twitter pour diffuser des informations liées à la santé publique au grand public, comme en témoigne la pandémie de la COVID-19. Le but de cet article est de mieux comprendre l'utilisation de Twitter par le gouvernement et les responsables de la santé publique Canadiens comme plate-forme de diffusion de messages pendant la pandémie, et d'explorer l'engagement et le sentiment du public à l'égard de ces messages diffusés. Nous avons examiné les données de 93 comptes Twitter de responsables de la santé publique et du gouvernement au Canada pendant la première vague de la pandémie (du 31 décembre 2019 au 31 août 2020). Nos objectifs étaient les suivants: 1) déterminer les taux d'engagement du public auprès des publications Twitter des gouvernements fédéral et provinciaux/territoriaux du Canada et des responsables de la santé publique, 2) illustrer l'évolution du discours public Canadien pendant la première vague de la pandémie par des tendances d'hashtag et 3) fournir un aperçu de la réaction du public aux tweets des autorités Canadiennes grâce à une analyse des sentiments. Pour atteindre ces objectifs, nous avons extrait des publications Twitter, ainsi que les réponses et les métadonnées qui leurs sont associées, en langue anglaise et française, pendant toute la période de l'étude. Nos résultats suggèrent que les membres du public ont démontré un engagement accru envers les comptes Twitter des officiels fédéraux par rapport aux comptes Twitter des officiels provinciaux et territoriaux. Les analyses des tendances des hashtag ont illustré le changement de sujet dans le discours public Canadien, qui était initialement axé sur les stratégies d'atténuation de la COVID-19 et qui a évolué pour aborder des problèmes émergents tels que les effets de la COVID-19 sur la santé mentale. De plus, nous avons identifié 11 sentiments en réponse aux publications des officiels relatifs à la COVID-19. Cette étude illustre le potentiel de tirer parti des médias sociaux pour comprendre le discours public pendant une pandémie. Nous suggérons que des analyses routinières de telles données peuvent fournir des recommandations en temps réel aux gouvernements et aux responsables de la santé publique sur les sentiments du public lors d'une urgence de santé publique et peuvent aussi fournir des informations utiles sur les comptes/acteurs avec lesquels les membres du public sont le plus engagés, ce qui peut être mis à profit pour diffuser des messages clés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".