To study the social structure of English and French Tweets of occupational safety and their sentiment distributions, this study applied NodeXL and MeaningCloud to analyse 17,147 English Tweets and 16,618 French Tweets about “occupational safety” in Twitter. We found that French and English Twitter users who are interested in this topic did not usually interact. While top English Twitter influencers were professors, top French influencers were government officers and individuals. Clusters of Twitter members interested in occupational safety had a low tendency to reach people in other groups. Most failed to make good use of weak ties to increase their impact and shared information about occupational safety outside their circle of friends. This overthrows previous research that Twitter’s social network was built based on the weak tie: Twitter users follow commentators, celebrities, and opinion leaders who do not know personally. Besides, we also conducted sentiment analysis via machine learning algorithms. We found that the more positive sentiment of an English Tweets, the more likely it will be retweeted. Yet, the more negative sentiment of a French Tweets, the more likely the Tweets will be retweeted. Thus, negative occupational safety Tweets have stronger impacts than positive ones among French but not English Tweets. While sentiment analysis results of French Tweets indicated that most Twitter users discussed occupational safety issues with a neutral tone, the number of extreme negative in French Tweets was a lot more than that of English. That reflects languaculture differences, and informal institutions impact users’ behaviours.

为了研究关于职业安全的英文和法文推文的社会结构及其情绪分布，本研究应用NodeXL和MeaningCloud对推特中关于“职业安全”的17,147条英文推文和16,618条法文推文进行了分析。我们发现对这个话题感兴趣的法语和英语 Twitter 用户通常不会互动。虽然顶级的英国 Twitter 影响者是教授，但顶级的法国影响者是政府官员和个人。对职业安全感兴趣的 Twitter 成员集群很少有可能接触到其他群体的人。大多数人未能很好地利用弱关系来增加他们的影响力并在朋友圈之外分享有关职业安全的信息。这推翻了之前关于 Twitter 的社交网络是基于弱关系构建的研究：Twitter 用户关注不认识的评论员、名人和意见领袖。此外，我们还通过机器学习算法进行了情感分析。我们发现，英语推文的积极情绪越多，它被转发的可能性就越大。然而，法国推文的负面情绪越多，推文被转发的可能性就越大。因此，负面职业安全推文在法语推文中比正面推文具有更大的影响，但在英文推文中则不然。虽然法语推文的情绪分析结果表明，大多数推特用户以中性的语气讨论职业安全问题，但法语推文中极端负面的数量远多于英语。这反映了语言文化的差异，而非正式机构会影响用户的行为。和不认识的意见领袖。此外，我们还通过机器学习算法进行了情感分析。我们发现，英语推文的积极情绪越多，它被转发的可能性就越大。然而，法国推文的负面情绪越多，推文被转发的可能性就越大。因此，负面职业安全推文在法语推文中比正面推文具有更大的影响，但在英文推文中则不然。虽然法语推文的情绪分析结果表明，大多数推特用户以中性的语气讨论职业安全问题，但法语推文中极端负面的数量远多于英语。这反映了语言文化的差异，而非正式机构会影响用户的行为。和不认识的意见领袖。此外，我们还通过机器学习算法进行了情感分析。我们发现，英语推文的积极情绪越多，它被转发的可能性就越大。然而，法国推文的负面情绪越多，推文被转发的可能性就越大。因此，负面职业安全推文在法语推文中比正面推文具有更大的影响，但在英文推文中则不然。虽然法语推文的情绪分析结果表明，大多数推特用户以中性的语气讨论职业安全问题，但法语推文中极端负面的数量远多于英语。这反映了语言文化的差异，而非正式机构会影响用户的行为。我们还通过机器学习算法进行了情感分析。我们发现，英语推文的积极情绪越多，它被转发的可能性就越大。然而，法国推文的负面情绪越多，推文被转发的可能性就越大。因此，负面职业安全推文在法语推文中比正面推文具有更大的影响，但在英文推文中则不然。虽然法语推文的情绪分析结果表明，大多数推特用户以中性的语气讨论职业安全问题，但法语推文中极端负面的数量远多于英语。这反映了语言文化的差异，而非正式机构会影响用户的行为。我们还通过机器学习算法进行了情感分析。我们发现，英语推文的积极情绪越多，它被转发的可能性就越大。然而，法国推文的负面情绪越多，推文被转发的可能性就越大。因此，负面职业安全推文在法语推文中比正面推文具有更大的影响，但在英文推文中则不然。虽然法语推文的情绪分析结果表明，大多数推特用户以中性的语气讨论职业安全问题，但法语推文中极端负面的数量远多于英语。这反映了语言文化的差异，而非正式机构会影响用户的行为。法国推文的负面情绪越多，推文被转发的可能性就越大。因此，负面职业安全推文在法语推文中比正面推文具有更大的影响，但在英文推文中则不然。虽然法语推文的情绪分析结果表明，大多数推特用户以中性的语气讨论职业安全问题，但法语推文中极端负面的数量远多于英语。这反映了语言文化的差异，而非正式机构会影响用户的行为。法国推文的负面情绪越多，推文被转发的可能性就越大。因此，负面职业安全推文在法语推文中比正面推文具有更大的影响，但在英文推文中则不然。虽然法语推文的情绪分析结果表明，大多数推特用户以中性的语气讨论职业安全问题，但法语推文中极端负面的数量远多于英语。这反映了语言文化的差异，而非正式机构会影响用户的行为。虽然法语推文的情绪分析结果表明，大多数推特用户以中性的语气讨论职业安全问题，但法语推文中极端负面的数量远多于英语。这反映了语言文化的差异，而非正式机构会影响用户的行为。