Sentiment public pendant les ordres de confinement liés au COVID-19
Analyser les tweets montre comment les valeurs ont influencé les réactions aux ordres de santé.
― 9 min lire
Table des matières
Début 2020, la pandémie de COVID-19 a changé notre façon de vivre. Les gouvernements du monde entier ont ordonné de rester chez soi pour contrôler la propagation du virus. Pendant cette période, les Réseaux sociaux sont devenus une source principale pour que les gens expriment leurs sentiments à propos de ces ordres. Les chercheurs ont voulu comprendre comment les croyances et les valeurs des gens influençaient leurs réactions à ces mandats gouvernementaux.
Cette étude s'est concentrée sur l’analyse des publications sur les réseaux sociaux, en particulier des tweets, pour voir quelles Valeurs morales étaient exprimées pendant ces ordres de rester chez soi. Les chercheurs ont utilisé une théorie appelée Moral Foundations Theory (MFT) pour analyser ces tweets. Cette théorie examine différentes valeurs morales qui façonnent les opinions des gens, comme le soin aux autres, l'importance de la liberté et la loyauté envers un groupe.
Comprendre le projet
L'objectif du projet était de recueillir des informations à partir de tweets liés aux ordres de rester chez soi et d'analyser comment diverses valeurs morales influençaient les attitudes des gens. Les chercheurs croyaient qu'en comprenant les valeurs exprimées dans ces tweets, ils pourraient aider les responsables gouvernementaux à créer de meilleurs messages concernant les ordres de santé.
Le projet a reçu un financement de la National Science Foundation des États-Unis, qui voulait des recherches pouvant fournir des aperçus immédiats sur la pandémie. L'équipe a travaillé rapidement pour recueillir et analyser les données des réseaux sociaux, en se concentrant sur les tweets représentant différents points de vue moraux.
Défis rencontrés
Pendant le projet, les chercheurs ont dû faire face à de nombreux défis. Ils ont dû gérer des données en constante évolution, ce qui pouvait être écrasant. Les premières collectes de données n'ont pas fourni autant d'informations qu'ils l'espéraient, et ils ont dû constamment ajuster leur axe de recherche au fur et à mesure que de nouvelles informations arrivaient.
Un des plus gros problèmes était que les gens exprimaient leurs pensées différemment selon le moment et le lieu où ils tweetaient. Par exemple, un tweet disant « Nous ne restons pas chez nous ! » pouvait signifier une chose au début de la pandémie mais pouvait en signifier une toute autre plus tard quand des manifestations avaient lieu. Cela compliquait la catégorisation et la compréhension des posts de manière précise.
Pour surmonter ces obstacles, l'équipe a adopté une approche agile dans son étude, ce qui signifiait qu'elle devait être flexible et ajuster son travail rapidement au fur et à mesure que de nouvelles informations arrivaient. Ils ont utilisé le prototypage rapide, qui impliquait de tester et d'affiner régulièrement leurs idées et leurs designs.
Collecte de données
L'équipe s'est concentrée sur la collecte de tweets exprimant des valeurs morales concernant les ordres de rester chez soi. Ils ont recueilli des tweets de mars à mai 2020, en les étiquetant manuellement en fonction de leur pertinence par rapport au sujet et des valeurs morales qu'ils reflétaient. Ils ont également utilisé des données supplémentaires, comme des informations démographiques et des modèles de vote des élections précédentes, pour approfondir leur analyse.
Ils ont découvert que de nombreux tweets soutenaient les ordres de rester chez soi, liant souvent ce soutien à une attitude de soin envers les autres. Cependant, les sentiments étaient mitigés, surtout avec le temps, alors que les gens commençaient à se sentir fatigués par les restrictions de la pandémie.
Analyse des données
Les chercheurs ont examiné divers aspects des tweets, tels que leur degré de positivité ou de négativité et leur diffusion. Ils ont constaté que les sentiments des gens à propos des ordres de rester chez soi étaient liés à leurs croyances politiques. Par exemple, les tweets des zones démocrates mettaient souvent l'accent sur un sentiment de trahison concernant le lever des restrictions, tandis que les tweets des zones républicaines montraient un accent plus fort sur la liberté et la résistance aux mandats gouvernementaux.
Les données ont révélé un schéma où les tweets atteignaient des pics pendant des moments significatifs de la pandémie, comme l'introduction ou le levée des ordres de rester chez soi. Les chercheurs ont noté une baisse des tweets pendant les grandes manifestations, suggérant que des questions sociales peuvent éclipser les discussions sur la Santé publique.
Idées recueillies
Les résultats de cette recherche ont fourni plusieurs aperçus importants. D'abord, cela a montré que les messages visant à encourager les gens à suivre les directives de santé devraient se concentrer sur la valeur morale du soin. Les tweets qui mettaient en avant le soin aux autres étaient plus susceptibles de soutenir les ordres de rester chez soi.
De plus, l'analyse a souligné que les vues politiques des gens influençaient fortement leur réaction à ces ordres. Comprendre ces points de vue peut aider les responsables à concevoir des stratégies de communication plus efficaces adaptées à des communautés spécifiques.
Les chercheurs ont aussi noté que les zones rurales étaient sous-représentées dans leur ensemble de données, ce qui suggère que de futures recherches devraient viser à capturer une gamme plus large de voix dans les discussions sociales concernant la santé publique.
Visualisation des données
Pour donner un sens à la grande quantité de données, les chercheurs ont créé un système visuel qui affichait diverses caractéristiques des tweets. Ils ont utilisé différents graphiques et cartes pour montrer comment les tweets sur les ordres de rester chez soi ont évolué dans le temps et à travers différentes régions. Cette visualisation a aidé l'équipe à voir les motifs et les tendances plus clairement.
Par exemple, ils ont créé une chronologie pour suivre le nombre quotidien de tweets liés aux ordres de rester chez soi en parallèle avec les comptes de cas de COVID-19. Cela a permis une meilleure compréhension de l'évolution des sentiments du public avec la situation pandémique.
Le design de ces outils visuels a subi de nombreux ajustements basés sur les retours des membres de l'équipe. Au départ, certains designs étaient trop complexes pour des gens avec peu d'expérience en visualisation de données, ce qui a conduit à de la confusion. Donc, l'équipe a simplifié ses designs les rendant plus accessibles et plus faciles à interpréter.
Collaboration et travail d'équipe
Étant donné les restrictions de la pandémie, l'équipe a dû travailler à distance, tenant des réunions virtuelles régulières pour partager les progrès et discuter des résultats. Ils venaient de divers horizons académiques, notamment en communication, sciences sociales et analyse de données. Bien que la collaboration offrait des perspectives diverses, elle a aussi conduit à des malentendus sur les objectifs et les exigences du projet.
Parfois, les membres de l'équipe avaient du mal à communiquer ce qu'ils voulaient du projet. En conséquence, il était crucial d'écouter attentivement les idées des autres et d'ajuster les plans du projet en conséquence. Une communication claire a aidé à aligner leurs efforts et à s'assurer que tous les membres étaient sur la même longueur d'onde.
Malgré ces défis, la collaboration a conduit à de forts aperçus et à une meilleure compréhension de la façon dont le cadrage moral influence la communication sur la santé publique. Les retours des membres de l'équipe étaient positifs, beaucoup exprimant leur appréciation pour les efforts déployés dans la visualisation des données.
Leçons apprises
À travers cette étude, les chercheurs ont appris des leçons précieuses sur le travail avec des données qui changent rapidement et sur l’adaptation à différents publics. Ils ont constaté que garder le design flexible permettait une meilleure adaptabilité lorsque de nouvelles données devenaient disponibles. Cela signifiait qu'ils pouvaient affiner plus facilement leurs analyses et leurs visuels.
Ils ont aussi découvert que s'appuyer sur des hypothèses concernant les données pouvait poser des problèmes. Au lieu de cela, ils devaient être ouverts à changer les objectifs au fur et à mesure que la recherche avançait. Cela nécessitait une évaluation constante du processus de collecte de données et comment cela s'alignait avec leurs objectifs de recherche.
La dynamique d'équipe s'est avérée essentielle pour le succès dans cet environnement collaboratif. En améliorant la communication et en abordant les préoccupations parmi les membres de l'équipe, les chercheurs ont pu favoriser une atmosphère de travail plus productive.
Conclusion
En résumé, cette étude a éclairé comment les gens exprimaient leurs sentiments concernant les ordres de rester chez soi sur les réseaux sociaux pendant la pandémie de COVID-19. En analysant les tweets à travers le prisme des fondations morales, les chercheurs ont pu obtenir des idées sur les attitudes publiques et les influences politiques.
Le travail a souligné la nécessité de messages efficaces qui résonnent avec les valeurs et les croyances des gens. Il a également démontré les complexités de la recherche dans des situations en évolution rapide et l'importance de la collaboration entre des équipes diverses.
Bien que l'expérience ait parfois été difficile, les chercheurs étaient satisfaits de contribuer à la conversation plus large sur la santé publique pendant un moment critique de l'histoire. Les travaux futurs bénéficieront des leçons apprises dans ce projet, en se concentrant sur la compréhension des dynamiques sociales et des sentiments publics dans la communication sur la santé.
Titre: A Lens to Pandemic Stay at Home Attitudes
Résumé: We describe the design process and the challenges we met during a rapid multi-disciplinary pandemic project related to stay-at-home orders and social media moral frames. Unlike our typical design experience, we had to handle a steeper learning curve, emerging and continually changing datasets, as well as under-specified design requirements, persistent low visual literacy, and an extremely fast turnaround for new data ingestion, prototyping, testing and deployment. We describe the lessons learned through this experience.
Auteurs: Andrew Wentzel, Lauren Levine, Vipul Dhariwal, Zahra Fatemi, Barbara Di Eugenio, Andrew Rojecki, Elena Zheleva, G. Elisabeta Marai
Dernière mise à jour: 2023-08-23 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2308.13552
Source PDF: https://arxiv.org/pdf/2308.13552
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.