Sleepless in America: A social sensing study of pandemic-era sleeplessness using nighttime social media data.

چکیده اصلی

Sleeplessness is a widespread public health concern that was further intensified during the COVID-19 pandemic, yet large-scale, real-time monitoring of sleep disturbance remains limited. This study introduces a scalable social sensing framework that leverages temporally filtered nighttime social media activity (10:00 p.m. - 6:00 a.m. local time) to infer population-level patterns of sleep disturbance. To demonstrate the framework, we conducted a comprehensive analysis of geotagged tweets posted by users in the United States from March 1, 2020 to June 30, 2021, using pre-pandemic tweets as a baseline for comparison. Spatial, temporal, sentiment, and topical patterns were analyzed to characterize nighttime sleep disturbances at the U.S. state level. Three distinct temporal patterns of nighttime disturbance were identified during the pandemic, including single peak, multiple peaks, and smooth patterns, indicating heterogeneous impacts across states. Correlations between nighttime tweet ratios and daily new COVID-19 case counts varied across states and pandemic stages. In addition, more negative emotions expressed in nighttime tweets were associated with increased sleep disturbance. Nighttime tweets were more likely to focus on local news and events. Greater topical diversity among the population was associated with reduced negative emotional impacts during the pandemic. Overall, the findings demonstrate that nighttime social media data provide an effective and scalable social sensing approach for examining population-level patterns of potential sleep disturbance across large geographic regions and extended time periods. Beyond sleep-related applications, this framework offers a transferable method for monitoring other forms of nighttime human activity and broader social dynamics, including crime, disaster response, and social unrest.

ترجمه فارسی چکیده

بی‌خوابی یک نگرانی سلامت عمومی گسترده است که در دوران همه‌گیری کووید-19 تشدید شده است، اما پایش مقیاس‌دار و لحظه‌ای اختلال خواب همچنان محدود است. این مطالعه یک چارچوب حسگر اجتماعی مقیاس‌پذیر معرفی می‌کند که از فعالیت شبکه‌های اجتماعی در شب (از ۲۲:۰۰ تا ۶:۰۰ به وقت محلی) برای استنباط الگوهای اختلال خواب جمعی استفاده می‌کند. برای نشان دادن این چارچوب، تحلیل جامعی از توییتهای ژئوتگ شده کاربران در ایالات متحده از ۱ مارس ۲۰۲۰ تا ۳۰ ژوئن ۲۰۲۱ انجام شد. الگوهای مکانی، زمانی، احساسی و موضوعی برای توصیف اختلالات خواب در شب در سطح ایالت‌های آمریکا تحلیل شدند. سه الگو زمانی متمایز شناسایی شدند: تک‌قله، چندقله و الگوهای صاف. همبستگی بین نسبت توییتهای شبانه و تعداد موارد جدید روزانه کووید-۱۹ در ایالت‌ها و مراحل مختلف همه‌گیری متفاوت بود. علاوه بر این، بیان احساسات منفی بیشتر در توییتهای شبانه با افزایش اختلال خواب مرتبط بود. توییتهای شبانه بیشتر بر اخبار و رویدادهای محلی تمرکز داشتند. تنوع موضوعی بیشتر در جمعیت با کاهش اثرات احساسی منفی در دوران همه‌گیری مرتبط بود. یافته‌ها نشان می‌دهند که داده‌های شبکه‌های اجتماعی در شب یک رویکرد موثر و مقیاس‌پذیر برای بررسی الگوهای بالقوه اختلال خواب جمعی در مناطق جغرافیایی بزرگ و دوره‌های زمانی طولانی ارائه می‌دهند.

متن کامل اصلی