原始论文gydF4y2Ba
摘要gydF4y2Ba
背景:gydF4y2Ba扩大阿片类药物使用障碍(mod)药物的获取和使用是过量预防的一个关键组成部分。接受mod的一个重要障碍是在个人通常寻求信息的社交媒体或基于网络的论坛上接触到不准确和可能有害的健康错误信息。非常需要设计计算技术来描述与mod相关的基于网络的健康错误信息的流行情况，以促进缓解工作。gydF4y2Ba
摘要目的:gydF4y2Ba通过采用多学科、混合方法策略，本文旨在提出机器学习和自然语言分析方法，以识别与mod相关的基于网络的错误信息的特征和流行程度，为未来的预防、治疗和响应工作提供信息。gydF4y2Ba
方法:gydF4y2Ba该团队利用了Twitter(6,365,245个帖子)、YouTube(99,386个帖子)、Reddit(13,483,419个帖子)和Drugs-Forum(5549个帖子)的英语公共社交媒体帖子和评论。利用公共卫生专家对2400个社交媒体帖子样本的注释，该团队开发了一种有监督的机器学习分类器，这些帖子在语义上与基于表征学习的各种流行阿片类药物使用障碍相关神话最相似。这个分类器确定了一个帖子的语言是否促进了挑战成瘾治疗的主要神话之一:使用激动剂治疗抑郁症只是简单地用另一种药物取代一种药物。随后，通过机器用分类器标记所有未注释的帖子，并注意神话指示性帖子占所有帖子的比例，计算平台级别的患病率。gydF4y2Ba
结果:gydF4y2Ba我们的结果显示，在识别以阿片类药物使用障碍治疗神话为中心的社交媒体帖子方面，准确率为91%，曲线下面积为0.9，包括这些讨论在流行度和语言特征方面在不同平台上的差异，在基于网络的健康社区(如Reddit和Drugs-Forum)上流行度最低，在Twitter上最高。具体来说，所述的mud神话的流行率从基于网络的健康社区的0.4%到Twitter的0.9%不等。gydF4y2Ba
结论:gydF4y2Ba这项工作是首次在多个社交媒体平台上对一个关键的moud相关神话进行大规模评估，并强调了对与成瘾治疗相关的健康错误信息进行持续评估的可行性和重要性。gydF4y2Ba
doi: 10.2196/30753gydF4y2Ba
关键字gydF4y2Ba
介绍gydF4y2Ba
背景gydF4y2Ba
在美国，阿片类药物过量仍然是死亡的主要原因[gydF4y2Ba］．疾病控制和预防中心估计，仅在美国，处方阿片类药物滥用的总经济负担每年就高达785亿美元，包括医疗保健、生产力损失、治疗和刑事司法介入的成本[gydF4y2Ba］．令人震惊的是，从2016年7月到2017年9月，美国45个州的52个地区的阿片类药物过量使用增加了30% [gydF4y2Ba］．因此，2017年，美国卫生与公众服务部宣布其为突发公共卫生事件[gydF4y2Ba］．解决阿片类药物危机的核心是扩大阿片类药物使用障碍(mod)的药物治疗机会[gydF4y2Ba］．mod增加了治疗滞留时间，减少了阿片类药物的使用，降低了传播血源性病原体的风险行为，以及过量死亡率[gydF4y2Ba］．然而，尽管有充分证据证明其有效性，但研究发现，由于耻辱感和对治疗的误解，mod未得到充分利用[gydF4y2Ba］．gydF4y2Ba
近年来，许多人一直在寻求传统和非传统的方法来从药物使用中恢复，包括使用网络资源[gydF4y2Ba］．对于这些情况，以及阿片类药物使用障碍(OUD)，研究表明，个人转向网络来促进和发现恢复策略，例如，利用Forum77论坛进行处方药使用恢复[gydF4y2Ba]以及参加12步计划，例如“匿名戒毒会”[gydF4y2Ba，gydF4y2Ba］．社会支持是药物使用障碍患者转向社交媒体的另一个动机;鲁比亚和雅罗士[gydF4y2Ba]通过视频聊天调查了物质使用障碍康复会议的同伴支持，发现视频聊天支持小组不仅提供了满足需求的即时性和便利性，而且还可以获得情感和信息支持。最近，研究人员研究了基于网络的康复社区的匿名模式[gydF4y2Ba］．针对OUD，之前的研究调查了与阿片类药物使用相关的不同类型的网络话语，包括个人使用，无论它是否与阿片类药物的合法使用或滥用有关[gydF4y2Ba]，或是否涉及推广未经临床验证的治疗方法[gydF4y2Ba］．社交媒体平台上的滥用言论已进一步细分为单独使用阿片类药物和与其他阿片类药物、非法药物和酒精共同使用阿片类药物[gydF4y2Ba］．此外，之前的一项研究分析了围绕阿片类药物感知的网络话语[gydF4y2Ba］．对阿片类药物的看法包括对阿片类药物危机、阿片类药物总体情况的评论，以及与围绕阿片类药物危机或阿片类药物医疗使用的新闻的互动[gydF4y2Ba］．过去，研究人员还利用社交媒体数据作为不引人注目的传感器来识别可能受益于或愿意接受治疗和恢复干预的个人[gydF4y2Ba］．其他人通过计算检查和比较网络讨论社区，以发现为网络精神健康社区做出贡献的意图[gydF4y2Ba］．一般来说，人们发现社交媒体平台允许用户更多地自我披露，以讨论其他敏感和侮辱性的话题，如OUD [gydF4y2Ba］．除了自我披露之外，社交媒体数据还为了解用户的情绪和意见提供了独特的机会[gydF4y2Ba，从成瘾治疗的角度来看，这可能是很有见地的。gydF4y2Ba
尽管社交媒体有积极的好处，但由于社交媒体平台上普遍存在不准确和潜在有害的健康错误信息，OUD患者的现有尝试经常受到挑战[gydF4y2Ba］．健康错误信息的定义是，由于缺乏科学证据，对与健康有关的事实的声称目前是错误的[gydF4y2Ba］．一般来说，错误信息通常是由于误解，并不是为了造成伤害。虚假信息是故意制造以造成伤害的虚假信息，其动机通常是社会、政治或经济方面的。尽管misinformation和disinformation本质上是虚假的，但malinformation通常是基于真实信息，这些信息完全脱离上下文或没有上下文来造成伤害。gydF4y2Ba］．假新闻是指在形式上模仿新闻媒体内容，但在组织过程或意图上不模仿新闻媒体内容的编造信息[gydF4y2Ba，gydF4y2Ba］．莫利纳等[gydF4y2Ba他们概述了假新闻的关键指标，比如内容未经事实核查、情绪激动、以叙事风格写作、来源未经证实或来源未知。在这项研究中，我们专注于围绕moud的虚假声明的语言，而不管意图如何;因此，情况可能是这样的，我们捕获了一些虚假信息的实例，可能是在缺乏持续的特定领域审核的基于web的平台上。因此，我们使用这个术语gydF4y2Ba健康的错误信息gydF4y2Ba正如我们假设这些主张的传播不是故意的。gydF4y2Ba
从关于传染病爆发和全球流行病的论述，到解决行为健康问题的替代疗法，网络错误信息可能对公共卫生产生不利影响，包括对人们的健康素养、态度、信仰和健康相关决策产生负面影响[gydF4y2Ba］．例如，反疫苗宣传的社交媒体帖子使关于疫苗安全性的辩论合法化，有助于降低疫苗接种率，并增加麻疹等疫苗可预防疾病[gydF4y2Ba］．在公共卫生危机的背景下，2014年埃博拉疫情爆发期间，社交媒体上流传的谣言被发现引发了对卫生工作者的敌意，这给控制疫情带来了挑战[gydF4y2Ba］．最近，新型COVID-19大流行被定义为持续向公众传播的错误信息海啸，从口罩的效用和社会距离的有效性，甚至到疫苗的承诺，这些都加剧了COVID-19大流行的负担[gydF4y2Ba］．众所周知，高危人群特别容易受到错误信息的影响[gydF4y2Ba，gydF4y2Ba]因为缺乏正规临床或康复背景之外的可靠信息[gydF4y2Ba，gydF4y2Ba］．事实上，研究表明，由于接触到这样的错误信息，人们担心如果他们的药物使用被其他人发现，他们会被他们的社区排斥，从而延误治疗[gydF4y2Ba］．gydF4y2Ba
鉴于mod的吸收有限，健康错误信息对这一公共卫生问题的潜在贡献，以及关于mod障碍的信息很难从其他数据源确定，通过探索数字健康寻求行为gydF4y2Ba被动传感gydF4y2Ba与mod相关的错误信息为解决这一问题提供了一个重要途径。因此,gydF4y2BainfodemiologygydF4y2Ba，指研究电子媒介(例如一般的网络，特别是社交媒体)中信息和用户生成内容的分布和决定因素的科学[gydF4y2Ba]，有机会制定与moud相关的健康促进战略和政策。鉴于在持续的过量危机中错误信息的潜在影响，我们迫切需要更好地理解与错误信息相关的社交媒体上关于OUD治疗的帖子。事实上，近年来，信息流行病学的方法已被注意到在减轻由疾病引起的公共卫生问题方面的重要作用gydF4y2Ba有关gydF4y2Ba［gydF4y2Ba，gydF4y2Ba的合成词gydF4y2Ba信息gydF4y2Ba而且gydF4y2Ba疫情gydF4y2Ba这通常指的是关于一种疾病的准确和不准确信息的迅速和深远的传播。gydF4y2Ba
客观的gydF4y2Ba
在这项研究中，我们专注于一个与mod相关的特定神话(及其语言变体):gydF4y2Ba激动剂治疗或药物辅助治疗(MAT)只是简单地用一种药物替换另一种药物gydF4y2Ba．例如，有人可能会这样表达这个神话:“如果你服用Suboxone，你并不是真的在康复。”这一误区被认为是个体对启动mod犹豫不决的主要原因之一;在临床文献中已被广泛讨论[gydF4y2Ba，gydF4y2Ba，gydF4y2Ba有证据表明，MOUDs有助于康复，而糖尿病和哮喘等多种其他慢性疾病需要依赖日常药物来维持健康。gydF4y2Ba
通过采用多学科、混合方法策略，本文旨在提出第一项研究工作，在3种基于网络的社交平台上调查与mod相关的基于网络的错误信息的特征和流行程度，为未来的预防、治疗和响应工作提供信息。我们的贡献包括一组机器学习(ML)模型，可以将一篇文章是否围绕着围绕特定mod的对话进行分类，比如用一种药物替换另一种药物，或者探索与这个神话有关的网络对话的词汇变化特征。gydF4y2Ba
方法gydF4y2Ba
数据集管理gydF4y2Ba
我们首先确定并策划了一套围绕OUD治疗的临床基础和公开流行的神话，并开发了与OUD不同方面相关的阿片类药物相关关键词词汇。我们捕获了不同类型的阿片类药物，如天然阿片类药物、半合成阿片类药物和合成阿片类药物，并包括非处方、处方或非法的阿片类药物。对于每个通用名称，我们还咨询了物质使用文献和公共卫生合著者，纳入了贸易和组合产品名称。这导致词典中总共有152个关键词。然后，我们从Twitter、YouTube、基于网络的健康社区Reddit和Drugs-Forum收集了各种数据集。之所以选择这些平台，是因为(1)它们被美国人广泛采用;(2)利用应用程序编程接口来查询和访问这些平台上的公共帖子，有完善的方法和基础设施来收集有意义的数据集。根据皮尤研究中心的数据，到2021年，18%的美国成年人使用Reddit, 23%使用Twitter, 81%使用YouTube [gydF4y2Ba］．此外，这些平台已经在以前的药物滥用文献中被挖掘出来，用于滥用监测和数字流行病学目的[gydF4y2Ba-gydF4y2Ba］．对于我们调查的所有平台，我们关注的是2018年1月1日至2019年12月31日期间创建的公开帖子和消息。gydF4y2Ba
我们的Twitter数据集收集方法包括查询所有包含我们词典中1个单词的推文。这个过程总共产生了6,365,245条推文。对于YouTube，由于可访问的评论数量有限，我们将152个关键字限制为11个OUD处理关键字，如gydF4y2Ba丁丙诺啡gydF4y2Ba而且gydF4y2Ba环丙甲羟二羟吗啡酮gydF4y2Ba．我们使用YouTube应用程序编程界面识别出552个包含标题中11个关键字中的一个的YouTube视频，然后收集所有相关评论(99,386条评论)。我们依靠专家领域知识来为Reddit和Drugs-Forum识别与OUD相关的子论坛，并为这些网站使用了全套152个关键字。对于Reddit，我们使用了22个阿片类特定子Reddit的数据:gydF4y2Bar /卡芬太尼gydF4y2Ba，gydF4y2Bar /鸦片gydF4y2Ba，gydF4y2Bar /芬太尼gydF4y2Ba，gydF4y2Bar / opiatesmemorialgydF4y2Ba，gydF4y2Bar / modquittingkratomgydF4y2Ba，gydF4y2Bar /美沙酮gydF4y2Ba，gydF4y2Bar /目前gydF4y2Ba，gydF4y2Bar / kratomgydF4y2Ba，gydF4y2Bar /海洛因gydF4y2Ba，gydF4y2Bar / quittingkratomgydF4y2Ba，gydF4y2Bar / TianeptinegydF4y2Ba，gydF4y2Bar /洛派丁胺gydF4y2Ba，gydF4y2Bar /环丙甲羟二羟吗啡酮gydF4y2Ba，gydF4y2Bar /羟考酮gydF4y2Ba，gydF4y2Bar / OpiatesRecoverygydF4y2Ba，gydF4y2Bar / OpiatewithdrawalgydF4y2Ba，gydF4y2Bar /精益gydF4y2Ba，gydF4y2Bar / heroinaddictiongydF4y2Ba，gydF4y2Bar / HeroinHeroinesgydF4y2Ba，gydF4y2Bar / OpiateChurchgydF4y2Ba，gydF4y2Bar /目前gydF4y2Ba,gydF4y2Bar / OurOverUsedVeinsgydF4y2Ba．结果共有1189,590条帖子和12,293,829条评论。此外，我们收集了所有5549条张贴在gydF4y2Ba阿片类药物和类阿片gydF4y2Ba药物分论坛-论坛[gydF4y2Ba］．在本文中，我们将Reddit和Drugs-Forum内容合并到基于web的健康社区类别下，因为两者具有相似的结构、格式和功能支持。gydF4y2Ba
使用专家参与的ML方法gydF4y2Ba
围绕OUD的基于网络的论述在语义上是丰富的;也就是说，人们用不同的词和词的组合来表达意思。以前的文献已经定量和定性地调查了与OUD有关的各种类型的语言，包括OUD使用(自己使用、他人使用、滥用、合法使用和共同使用)、OUD感知(对阿片类药物危机或阿片类药物的评论)和OUD广告[gydF4y2Ba，gydF4y2Ba，gydF4y2Ba］．鉴于这种语言丰富性和先前的调查，我们采用了ML和自然语言分析方法，在巨大的搜索空间中识别与正在调查的神话相关的帖子。gydF4y2Ba
我们首先利用了表示学习技术，这是一组技术，允许系统自动从原始数据中发现特征检测或分类所需的表示[gydF4y2Ba]来构造前面提到的神话语句的文档级嵌入(由4096个维度组成)。为此，我们使用了在自然语言推理任务上普遍训练的双向长短期记忆(LSTM)句子编码器模型[gydF4y2Ba］．LSTM是一个合适的选择，因为它允许我们学习句子结构中单词之间的长期依赖关系。然后我们用这个模型对所有收集到的帖子进行编码。在这一步之后，我们得到了k-最近邻(KNN)，其中k=200，用于每个平台上与mod相关的种子神话的语义最相似的帖子。其次，使用混合方法，我们的模型以公共卫生专家注释的形式利用定性内容分析来标记总共800个帖子(每个平台200 knn)，并注释每个帖子是否与神话相关(即，帖子是否讨论了mod，并将mod描述为使用一种药物取代另一种药物)。因此，我们将这个问题建模为一个二元分类任务，其中正类表示讨论上述错误信息的帖子，负类表示与神话无关的任何帖子。每个神话KNN帖子都由同一名公共卫生专家注释，以在给定神话的语言领域内提供一致的注释。gydF4y2Ba
利用这些注释作为训练数据，我们最终构建并评估了一系列有监督的ML模型，从逻辑回归(LR)和支持向量机到前馈神经网络和LSTM网络。我们的特征集包括词汇特征，如n-grams (n=1)gydF4y2Ba，gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3)，术语频率逆文档频率(TF-IDF)权重，以及表示学习特征，包括基于句子的嵌入(语义)和基于变压器的嵌入，例如来自变压器的双向编码器表示[gydF4y2Ba]和用于生物医学文本挖掘的变压器的双向编码器表示[gydF4y2Ba］．我们使用了属于我们神话的所有注释，并将其他神话的所有样本视为负训练样本。在此基础上，我们获得了171个阳性样本和2229个阴性样本。由于这种巨大的不平衡，我们利用了一种罕见类的过采样技术，称为合成少数过采样技术[gydF4y2Ba］．然后，我们将数据集分为训练样本和测试样本，分别以80%到20%的比例分割。我们利用两种技术进行交叉验证:k-fold交叉验证(用于LR和支持向量机模型)和一个独立的验证样本来调优模型的超参数(用于LSTM模型)。gydF4y2Ba
结果gydF4y2Ba
而且gydF4y2Ba显示了在曲线下的面积、精度、召回率和F方面表现最佳的ML模型gydF4y2Ba1gydF4y2Ba分数。我们表现最好的模型是TF-IDF特征和LR分类器的组合，实现了0.85的精度，0.91的召回率，FgydF4y2Ba1gydF4y2Ba得分0.88，曲线下面积为0.9。通过应用我们的最佳表现模型来机器标记数据集中的所有帖子，我们能够估计出每个平台上与所调查的神话相关的帖子的流行程度。在我们抽样的评论中，与使用mod并不构成真正康复的神话有关的帖子的流行率分别为0.4%，0.9%和0.58%，分别来自基于网络的健康社区、Twitter和YouTube。关于我们的最佳表现模型如何在每个平台上运行的附加上下文和可解释性，在中提供了2个由我们的分类器正确分类的帖子示例gydF4y2Ba，以及分类器使用的最热门单词，以获得每个平台上每个帖子的相关性决策。在这里，我们观察到跨平台关于神话的讨论有一些一致性。例如，我们注意到我们的模型能够注意到同义词动词的使用gydF4y2BareplacgydF4y2Ba，例如gydF4y2Ba开关gydF4y2Ba这句话最初并没有包含在流言的措辞中。此外，动词gydF4y2Ba去gydF4y2Ba在多种情况下使用，例如去参加匿名戒酒会而不是依赖MAT，以及从MAT中退出。我们还注意到存在多种药物名称，如gydF4y2Ba安定gydF4y2Ba，gydF4y2Ba丁丙诺啡gydF4y2Ba，gydF4y2Ba美沙酮gydF4y2Ba,gydF4y2Ba目前gydF4y2Ba．gydF4y2Ba
| 模型gydF4y2Ba | 精度gydF4y2Ba | AUCgydF4y2BabgydF4y2Ba | 精度gydF4y2Ba | 回忆gydF4y2Ba | FgydF4y2Ba1gydF4y2Ba分数gydF4y2Ba |
| LRgydF4y2BacgydF4y2Ba+语义gydF4y2BadgydF4y2Ba | 0.84gydF4y2Ba | 0.84gydF4y2Ba | 0.87gydF4y2Ba | 0.86gydF4y2Ba | 0.86gydF4y2Ba |
| LR + TF-IDFgydF4y2BaegydF4y2Ba | 0.91gydF4y2Ba | 0.9gydF4y2Ba | 0.85gydF4y2Ba | 0.91gydF4y2Ba | 0.88gydF4y2Ba |
| LSTMgydF4y2BafgydF4y2Ba+伯特gydF4y2BaggydF4y2Ba | 0.77gydF4y2Ba | 0.81gydF4y2Ba | 0.83gydF4y2Ba | 0.84gydF4y2Ba | 0.84gydF4y2Ba |
一个gydF4y2Ba训练和测试数据来自Twitter、基于网络的健康社区和YouTube上2400个与阿片类药物相关的帖子。gydF4y2Ba
bgydF4y2BaAUC:曲线下面积。gydF4y2Ba
cgydF4y2Ba逻辑回归。gydF4y2Ba
dgydF4y2Ba推断语义表示(4096个特征)。gydF4y2Ba
egydF4y2BaTF-IDF:术语频率逆文档频率。gydF4y2Ba
fgydF4y2BaLSTM:长短期记忆。gydF4y2Ba
ggydF4y2BaBERT:变压器的双向编码器表示。gydF4y2Ba
| 平台和原始转述的帖子gydF4y2Ba | 预处理后gydF4y2Ba | 功能能力gydF4y2Ba | |||||
| 贡献gydF4y2Ba | 功能gydF4y2Ba | ||||||
| 基于网络的健康社区gydF4y2Ba | |||||||
| “别拿克拉姆。不要把一种药换成另一种药。参加嗜酒者互诫会。为真实的。静脉注射安定类药物通常是治疗此类症状的首选药物。”gydF4y2Ba | "服用克拉托姆，换一种药，另一种去aa会，真正静脉注射安定药，通常去药物症状"gydF4y2Ba |
|
|
||||
| “[…] [Name of a person] said: Please dont take it! If you can stop using opiates and not go back just go through the withdrawals. If you would trust me, you dont want the withdrawals (especially long term) that Bupe has! Please know that the length of the withdrawal period for maintenance users is in part dependent on the dose [...]” | “[…] [Name of a person] said pleas take stop use opiat go back go withdraw promis want withdraw especi long term bupe pleas understand length withdraw period mainten user part dose depend [...]” |
|
|
||||
| 推特gydF4y2Ba | |||||||
| “说人们死于海洛因/芬太尼过量吸食gydF4y2Ba一个gydF4y2Ba是因为他们从医生那里得到了Rx药，这是不负责任和不真实的。当有人对美沙酮上瘾时，正在发生的事情是，街上的美元变成了大型制药公司和我们的政府的美元，滥用美沙酮/Suboxone仍然会导致死亡。”gydF4y2Ba | “说rx医学，马尼医生死于海洛因芬太尼，太简单了，没有反应，不诚实，找个人对美沙酮上瘾，换条街，去大制药公司，人们仍然死于美沙酮，subboxon”gydF4y2Ba |
|
|
||||
| “我想知道Bupe或Suboxone的w/d是否比海洛因或芬太尼更容易。假设有人改用MATgydF4y2BabgydF4y2Ba作为过渡，因为他们想远离物质;你认为他们会经历w/d 2x吗?”gydF4y2Ba | " w bupe subboxon更容易海洛因芬太尼一个想要无物质会去w x一个开关垫临时"gydF4y2Ba |
|
|
||||
| YouTubegydF4y2Ba | |||||||
| "好吧，我打算停止治疗。我觉得我需要支持，但我的家人不赞成接受MMT治疗gydF4y2BacgydF4y2Ba我好像没听懂。对他们来说，这和每天吸食海洛因没什么区别。他们说我正在从一种嗜好转向另一种嗜好……”gydF4y2Ba | “决定停止家庭治疗，我得到支持，MMT每天都看到不同的海洛因，说换一个吸毒者另一个[…]”gydF4y2Ba |
|
|
||||
| “你对脱瘾症状的恐惧是完全合理的。他们吸。你告诉你的医生你的处方摄入量了吗?需要有某种有计划的方法，不仅要戒烟，还要确保你正确地戒掉药物。你听说过Suboxone吗?这是一种处方药，基本上可以帮助你戒毒，也可以给你一根拐杖。克拉托姆是另一个选择，但独自经历戒断，并学习如何作为一个不使用任何物质的人离开，需要很大的勇气和胆识，所以你需要为此付出代价。”gydF4y2Ba | "完全理解恐惧退出症状吸医生知道intak处方游戏计划设定退出也努力在医疗之间肯定听到subboxon处方医生简短的总结它会帮助退出很好就像拐杖一样另一件事kratom去退出一个一个学习走开medfre人采取很多勇气采取"gydF4y2Ba |
|
|
||||
一个gydF4y2BaOD:过量。gydF4y2Ba
bgydF4y2BaMAT:药物辅助治疗。gydF4y2Ba
cgydF4y2BaMMT:美沙酮维持治疗。gydF4y2Ba
与我们用于识别相关职位的最佳表现模型(LR+TF-IDF)相关的前10个特征(术语)及其TF-IDF值显示在gydF4y2Ba．这些术语包括gydF4y2Ba垫gydF4y2Ba，gydF4y2Ba协助gydF4y2Ba，gydF4y2Ba治疗gydF4y2Ba，gydF4y2BareplacgydF4y2Ba，gydF4y2BatherapigydF4y2Ba，gydF4y2Ba康复中心gydF4y2Ba，gydF4y2Ba美沙酮gydF4y2Ba，gydF4y2Ba行为gydF4y2Ba，gydF4y2Ba习惯gydF4y2Ba,gydF4y2BasubstitutgydF4y2Ba．此外，为了提供对ML模型用于识别神话相关帖子的单词的额外洞察，对于前10个术语中的每一个，我们显示了语义接近度最近的15个单词(基于训练Word2Vec嵌入模型[gydF4y2Ba])，用余弦相似度来衡量。对识别出的单词进行定性评估，显示出对同义词术语和短语的出色识别，包括那些不太可能被人类读者轻易建议或识别的术语和短语，例如gydF4y2BaostgydF4y2Ba(阿片类药物替代疗法)。gydF4y2Ba
| 特点和平台gydF4y2Ba | 最近的邻居gydF4y2Ba | |
| 垫(14.9)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | Assist (0.49)， proven (0.46)， lifer (0.46)， abstin (0.42)， recoveri(0.41)，柱头(0.41)，MMT (0.41)， superior (0.4)， vivitrol (0.39)， align (0.39)， treatment (0.39)， lifesav (0.39)， mainten (0.39)， adhes (0.39)， bamboo (0.38)gydF4y2Ba | |
| 推特gydF4y2Ba | 治疗(0.61)，medic (0.48)， suboxon (0.46)， bupe(0.43)，需求(0.4)，therapi(0.39)，行为(0.39)，污名(0.38)，oud (0.38)， post (0.38)， clear (0.37)， suffici (0.37)， med (0.36)， part (0.36)gydF4y2Ba | |
| YouTubegydF4y2Ba | 协助(0.72)，建议(0.72)，关心(0.7)，扯谎(0.68)，恢复(0.67)，truli(0.66)，提及(0.66)，步骤(0.65)，anyon (0.65)， mani(0.64)，可能(0.64)，oud(0.63)，可能(0.63)，失去(0.62)，整合(0.62)gydF4y2Ba | |
| 协助(12.44)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | Mat (0.49)， counsel (0.45)， profession (0.44)， supervis (0.42)， lifesav (0.4)， help (0.38)， certifi (0.38)， vivitrol (0.38)， aftercar (0.37)， Florida(0.37)，长期(0.37)，mainten (0.37)， recoveri (0.36)， consult (0.36)， transit (0.36)gydF4y2Ba | |
| 推特gydF4y2Ba | 适宜(0.4)，专业(0.37)，瑞士(0.36)，mat (0.36)， aaap(0.35)，等级(0.34)，工作人员(0.34)，必要(0.33)，继续(0.33)，治疗(0.33)，辨别(0.32)，中心(0.31)，证据(0.31)gydF4y2Ba | |
| YouTubegydF4y2Ba | Famili (0.79)， medic (0.77)， judg (0.73)， mat (0.72)， recommend (0.71)， lose (0.71)， mani (0.71)， could (0.7)， therapi (0.7)， battl (0.69)， wonder (0.69)， truli (0.67)， win (0.67)， recoveri (0.65)， group (0.63)gydF4y2Ba | |
| 治疗(11.43)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | Program (0.52)， evid (0.51)， ibogain (0.51)， nation (0.51)， medic (0.5)， assess (0.49)， longterm(0.48)，其中(0.48)，addict (0.48)， establish (0.47)， intervention (0.46)， protocol (0.46)， rehab (0.46)， observ (0.46)， augment (0.46)gydF4y2Ba | |
| 推特gydF4y2Ba | Medic (0.67)， therapi (0.66)， mat(0.61)，使用(0.6)，post (0.59)， need(0.55)，药物(0.53)，阿片类药物(0.52)，美沙酮(0.52)，患者(0.51)，减少(0.48)，康复(0.48)，提供(0.46)，处方(0.45)gydF4y2Ba | |
| YouTubegydF4y2Ba | 个人(0.72)，治疗(0.65)，truli (0.65)， ibogain(0.64)，承认(0.64)，oud(0.62)，恢复(0.62)，安慰(0.62)，协助(0.61)，接受(0.6)，伟大(0.6)，保持(0.59)，惊奇(0.59)，胡扯(0.56)，担忧(0.55)gydF4y2Ba | |
| replac (9.91)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | 交换(0.44)，替换(0.41)，锻炼(0.39)，切换(0.39)，固定(0.38)，荷尔蒙(0.38)，生活方式(0.37)，原子(0.37)，静止(0.36)，健康(0.35)，不适(0.35)，生活缓慢(0.34)，不良(0.34)，铅(0.33)，使用(0.33)gydF4y2Ba | |
| 推特gydF4y2Ba | substitute (0.48)， altern (0.42)， simpli (0.37)， adjunct (0.35)， extrem (0.35)， swap (0.35)， scienc (0.34)， type (0.34)， neither (0.32)， panacea (0.32)， creat (0.32)， reduce (0.32)， result (0.32)， lifetime (0.31)， grade (0.3)gydF4y2Ba | |
| YouTubegydF4y2Ba | Hip (0.74)， due (0.58)， lot (0.57)， altern (0.55)， complete (0.55)， result (0.54)， k (0.54)， rapid (0.53)， someth (0.51)， realiti (0.49)， exchang (0.49)， would (0.48)， anti (0.47)， argu (0.47)， told (0.47)gydF4y2Ba | |
| therapi (9.43)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | 咨询(0.61)，CBT(0.57)，创伤(0.54)，DBT (0.54)， somat(0.49)，治疗师(0.48)，PTSD(0.47)，车后(0.46)，工具(0.46)，cognit(0.46)，治疗(0.46)，辅助(0.45)，精神科(0.45)，长期(0.45)gydF4y2Ba | |
| 推特gydF4y2Ba | 治疗(0.66)，医疗(0.44)，心理(0.43)，sizabl(0.43)，社会心理(0.43)，针灸(0.43)，使用(0.42)，post (0.41)， howev(0.41)，包括(0.4)，mat(0.39)，成功(0.37)，疼痛(0.37)，odb(0.37)，需求(0.37)gydF4y2Ba | |
| YouTubegydF4y2Ba | Group (0.81)， recoveri (0.76)， na (0.74)， requir (0.71)， assist (0.7)， oud (0.69)， famili (0.69)， recommend (0.67)， aa (0.66)， set (0.66)， individual (0.64)， base (0.64)， great (0.63)， bullshit (0.59)， mat (0.59)gydF4y2Ba | |
| 康复(8.45)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | Inpati (0.59)， facil(0.55)，排毒(0.55)，中心(0.51)，outpati(0.51)，复发(0.49)，iop (0.49)， ua(0.49)，清醒(0.48)，无家可归(0.47)，住院(0.47)，监狱(0.46)，计划(0.46)，na(0.46)，自愿(0.44)gydF4y2Ba | |
| 推特gydF4y2Ba | 治疗(0.48)，居民(0.46)，强制(0.43)，得到(0.39)，工作人员(0.38)，药物(0.38)，去(0.37)，一次(0.37)，清洁(0.35)，饮酒(0.34)，需要(0.33)，洗白(0.33)，大多数(0.33)，让(0.33)gydF4y2Ba | |
| YouTubegydF4y2Ba | (0.83),(0.77),(0.76),(0.7),(0.67),(0.67),(0.63),转为叙述一天(0.62),(0.62),sadli(0.6),(0.6),(0.59),(0.59),妈妈(0.54),(0.53)gydF4y2Ba | |
| 美沙酮(8.43)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | Suboxon(0.78)，海洛因(0.57)，阿片剂(0.57)，bupe (0.52)， oxi (0.5)， clinic (0.5)， sub(0.49)，锥度(0.49)，mainten (0.48)， MMT (0.48)， dope (0.45)， stigma(0.45)，排毒(0.45)，成瘾者(0.45)gydF4y2Ba | |
| 推特gydF4y2Ba | 治疗(0.52)，阿片类药物(0.46)，药物(0.46)，医疗(0.42)，使用(0.41)，post (0.39)， base (0.38)， residenti (0.38)， option (0.37)， continuous(0.37)，提供(0.37)，mani(0.36)，客户(0.36)gydF4y2Ba | |
| YouTubegydF4y2Ba | 信任(0.68)，切换(0.66)，没有(0.65)，恐惧(0.62)，subboxon (0.61)， im(0.6)，仇恨(0.59)，应得(0.59)，anyway (0.56)， year (0.56)， dose (0.53)， transit (0.53)， wait (0.51)， yr (0.51)， center (0.51)gydF4y2Ba | |
| 行为(8.14)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | 行为(0.52)，共情(0.49)，eif(0.44)，重复(0.44)，undetect (0.44)， destruct (0.44)， hostil (0.43)， CBT (0.43)， exhibit (0.43)， pattern (0.42)， drugseek (0.42)， flexibl (0.42)， manpul (0.42)gydF4y2Ba | |
| 推特gydF4y2Ba | Physic(0.39)，行为(0.39)，mat (0.38)， topamax(0.37)，工作流(0.36)，瑜伽(0.36)，cognit (0.35)， nprzyb(0.35)，多层(0.35)，识别(0.35)，排名(0.34)，疾病(0.33)，组(0.33)，膝痛(0.33)，方法(0.33)gydF4y2Ba | |
| YouTubegydF4y2Ba | 监狱(0.9)，利息(0.89)，服务(0.87)，拨款(0.87)，整合(0.84)，器官(0.83)，学习(0.8)，via (0.79)， find (0.77)， healthcar (0.77)， health (0.77)， final (0.75)， set (0.74)， mani (0.72)， educ (0.71)gydF4y2Ba | |
| 习惯(7.96)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | 挣扎(0.52)，willpow (0.5)， Allen (0.48)， carr(0.48)，吸烟(0.48)，停止(0.45)，习惯(0.45)，cigg(0.45)，香烟(0.44)，感觉(0.42)，去(0.42)，definit(0.41)，清醒(0.4)，时间(0.4)，吸烟者(0.4)gydF4y2Ba | |
| 推特gydF4y2Ba | Crack (0.39)， googlawaqpp (0.37)， dailyrecord (0.36)， pushi (0.36)， rehab (0.33)， bright (0.33)， intox (0.33)， black-watch (0.32)， McCain (0.32)， filthi (0.32)， iff (0.31)， weed (0.31)， sober (0.31)gydF4y2Ba | |
| YouTubegydF4y2Ba | Herion (0.74)， beer (0.58)， slave (0.54)， codein (0.54)， trade(0.53)，化学(0.52)，far (0.52)， issu (0.52)， kratom (0.51)， compound (0.5)， anoth (0.49)， wake (0.49)， immedi (0.49)， sick (0.48)， evil (0.48)gydF4y2Ba | |
| substitut (7.65)gydF4y2Ba | ||
| 基于网络的健康社区gydF4y2Ba | Deriv (0.47)， replacement (0.45)， sert (0.45)， synthes(0.44)，吲哚(0.44)，卤素(0.43)，amin(0.43)，酮(0.41)，苯基(0.41)，单环(0.41)，氢(0.4)，哌啶(0.4)，卤代烷基(0.39)gydF4y2Ba | |
| 推特gydF4y2Ba | replacac (0.47)， ost(0.35)，裸盖菇素(0.33)，DCR (0.31)， lesser (0.31)， liver tisc (0.3)， licat (0.3)， abstain (0.29)， deaden (0.29)， halflif (0.28)， assist (0.28)， cab (0.28)gydF4y2Ba | |
| YouTubegydF4y2Ba | Anoth (0.69)， sell (0.69)， address (0.67)， none (0.67)， slave (0.65)， exchang(0.63)，不是(0.61)，what (0.61)， crutch (0.6)， issu (0.59)， sinc (0.58)， there (0.58)， trade (0.57)， mean (0.55)， unbroken (0.54)gydF4y2Ba | |
一个gydF4y2Ba数据来自我们的最佳表现模型从Twitter、基于网络的健康社区和YouTube中识别的112,281个与阿片类药物相关的帖子。第一列描述特征及其术语频率-文档频率倒数得分。最近邻列还描述了每个单词与相应特征之间的余弦相似度。帖子中的词语在被喂给模特之前就已经被根治了(例如，恢复被根治了)gydF4y2BarecoverigydF4y2Ba)．基于网络的健康社区指的是Reddit和药物论坛。gydF4y2Ba
讨论gydF4y2Ba
主要研究结果gydF4y2Ba
由错误信息传播的危害在网络上比比皆是，并带来了经济和社会成本。人们通常认为读到的东西是真实的，尤其是如果它来自一个相当有信誉的来源，无论这些信息多么令人震惊或令人担忧，人们都不会质疑这些信息。事实上，人们甚至会重复更显著的信息，不管它有多准确。在mud的背景下，它可能导致严重后果，包括过量死亡[gydF4y2Ba］．据我们所知，这是第一个大规模检查与mod相关的错误信息的研究，利用网络上发生的对话。gydF4y2Ba
与我们的工作密切相关的是Jamison等人[gydF4y2Ba]，它利用推文集合来量化疫苗的错误信息。与我们的工作类似，Jamison等人[gydF4y2Ba]根据疫苗情绪(积极、消极或中性)将推文编码为主题类别。然而，我们的工作利用主题类别(与神话相关的和不相关的)来设计基于ml的模型，能够在moud的上下文中识别错误信息。海默等[gydF4y2Ba讨论了美国三次危机(1865-1913年，1960-1975年和1995-今天)中对OUDs的普遍误解。与我们的重点相似，作者承认阿片类药物gydF4y2Baabstinence-basedgydF4y2Ba恢复模型是一种普遍的误解，并促进了MAT的大规模扩张。我们的工作通过社交媒体的镜头定量调查这一误解，补充了他们的工作。陈沃斯等[gydF4y2Ba调查了普通公众在推特上对美沙酮和丁丙诺啡-纳洛酮的看法。作者发现，使用这些药物治疗的一个常见障碍是阿片类药物替代的想法——将一种阿片类药物成瘾交换为另一种阿片类药物成瘾[gydF4y2Ba］．我们的工作通过建立能够识别社交媒体上这类话语的模型，在更深层次上研究了这一障碍。gydF4y2Ba
我们的研究结果具有重要的公共卫生意义。在多个平台上，我们发现在我们的样本中，关于与OUD药物治疗相关的单个神话的帖子的患病率从基于网络的健康社区的每1000个帖子中有4个到Twitter上的每1000个帖子中有9个。这是值得注意的，因为在任何时候，网上都可能有多个神话被讨论，这表明与阿片类药物相关的错误信息内容的总量可能占总帖子的很大一部分。这类信息的普遍程度以前没有被量化过，这项研究为这一健康信息问题的潜在范围提供了重要的见解。gydF4y2Ba
虽然我们无法推测Twitter在oud相关错误信息中呈现更多错误信息的确切原因，因为这需要进行因果推断分析，这超出了本文的范围，但已有文献指出Twitter缺乏积极的专家或基于临床的调节[gydF4y2Ba］．尽管基于网络的健康社区也不能幸免于不良行为和反社会活动，如喷子、垃圾邮件和骚扰，这些社区通常受到针对此类行为的严格规范的指导，并经过审核，以确保所共享内容的质量和可信度[gydF4y2Ba］．先前对不同类型的网络健康社区的研究表明，适当的积极节制可以增加成员的参与度，从而也增加了网络社区成员的有益结果[gydF4y2Ba］．事实上，审核员本身也认为，他们的审核员风格对于规范和刺激会员参与十分重要[gydF4y2Ba，gydF4y2Ba］．我们怀疑，由于这些既定的适度规范，我们观察到在我们研究的网络社区中，mod错误信息的患病率相对较低。我们注意到，Twitter确实实施了一些广泛的治理规则，允许某些类型的信息保留在平台上，而其他类型的信息则被删除(例如，图像暴力和成人内容)。gydF4y2Ba])。该平台还制定了应对广泛存在的仇恨言论和辱骂内容的规定[gydF4y2Ba］．然而，据我们所知，Twitter并没有实施针对MOUD错误信息的政策。我们的猜想是，由于这种现有的做法，我们的研究显示，这种错误信息在平台上更普遍。尽管如此，鉴于目前的COVID-19大流行，推特扩大了对伤害的定义，以应对“直接违背全球和当地公共卫生信息权威来源指导的内容”[gydF4y2Ba］．我们希望这项研究的发现可以激励社交媒体平台考虑对药物滥用信息采取适度的方法。gydF4y2Ba
如本研究所示，鉴于关于OUD治疗的神话非常普遍，对抗基于网络的错误信息的一种可能的方法可能是对社交媒体帖子进行有针对性的专家事实核查。这可以反映和利用公共卫生组织采用的指南来揭穿有关OUD治疗的未经证实的信息。例如，可以识别药物使用专家，并要求他们审查社交媒体帖子的内容，以确定其准确性。这些专家可以批判性地评估一篇文章，并做出回应，除了详细的、参考的证据审查之外，还包括证据的概要。这篇评论可以通过适当的平台功能直接链接到原始文章，为用户提供快速访问事实核查信息的渠道。鉴于我们在神话讨论的流行程度和语言特征方面观察到的差异，具体的事实核查过程也可以针对各个社交媒体平台量身定制。对ML方法识别的语句特征的定性探索揭示了语言和主题的多样性。一些语句明确引用了我们查询的主要概念——mod表示用另一种药物替代一种药物。然而，在相关的声明中，克拉托姆等替代疗法进入了讨论。对迷幻药犹豫不决的理由也很明显，包括对迷幻药成瘾性的担忧，迷幻药戒断症状的性质，以及对行业或政府推荐迷幻药动机的担忧。 Understanding these concerns is directly relevant to providing health information, understanding the role of digital information ecosystems as a supplant or adjuvant resource in substance misuse treatment, and addressing treatment hesitancy.
除了事实核查工作之外，还可以利用公共卫生参与运动来解决错误信息的具体案例。最近的研究表明，由可信的社区成员和卫生合作伙伴领导的信息运动可以帮助解决社交平台上的卫生错误信息[gydF4y2Ba］．因此，可以与社交媒体影响者和主要意见领袖结成联盟，开展有针对性的健康促进运动。还可以根据不同平台的偏好、看法和文化来调整干预措施，例如传递积极信息的干预措施。教育干预措施可以提高OUD治疗的读写能力，减少妨碍寻求帮助的污名，以及对生态敏感的干预措施，打开获得社会支持的渠道，也可以使个人更好地应对网络上的OUD治疗神话。简而言之，尽管关于有效对抗健康错误信息的策略的文献仍在不断涌现，但至少，这项工作强调了持续评估和认识网络上正在显著讨论的健康信息的重要性，以指导提供有效的卫生保健和公共卫生预防活动。gydF4y2Ba
我们注意到这项工作的一些局限性。虽然我们的分析包括来自不同网络平台的大量数据集，但与mod相关的讨论发生在各种各样的社交平台上，并且需要对更广泛的网络环境中错误信息的流行进行描述。对于一个平台，YouTube，可以访问的评论数量的限制要求限制关键字列表，这可能影响了错误信息的流行，尽管YouTube的估计与其他平台相当。此外，这项研究并没有考察围绕我们在本文中关注的OUD治疗神话的对话的性质，比如对话是否可能加强或反对神话，或者讨论其他先前已知的神话。未来的工作可能会揭示基于网络的讨论的这些特征，同时也会调查基于网络平台上出现的关于OUD滥用的其他神话。最后，通过社交媒体平台产生和传播的MOUD错误信息的地理时空研究可能是未来研究的一个有前景的重要方向;它们可以影响干预措施，如有针对性的基于位置的错误信息反击运动，以及帮助临床医生应对患者的错误信念或误解。gydF4y2Ba
结论gydF4y2Ba
使用ML和自然语言分析，我们的研究在识别围绕OUD治疗神话的社交媒体帖子方面表现出了希望，包括这些讨论在流行程度方面在不同平台上的差异。随着过量用药的流行继续发展，卫生专业人员对推动患者决策的网络健康信息的关注将继续成为预防的关键因素。gydF4y2Ba
致谢gydF4y2Ba
这项研究是由疾病控制和预防中心(CDC;通过卫生与公众服务部)到佐治亚理工学院(主要研究人员:MDC)。CDC调查人员参与了研究的设计和实施;数据的收集、管理、分析和解释;手稿的准备、审查或批准;并决定将手稿提交出版。ME和MDC可以完全访问研究中的所有数据，并对数据的完整性和数据分析的准确性负责。ME在隶属于佐治亚理工学院时进行了这项研究。作者感谢Kenneth Kannampully在Drugs-Forum.com数据收集方面的帮助。本报告中的发现和结论仅代表作者的观点，并不代表美国疾病控制与预防中心的官方立场。gydF4y2Ba
利益冲突gydF4y2Ba
没有宣布。gydF4y2Ba
参考文献gydF4y2Ba
- 罗芳，张丽娟，张丽娟。2017年美国阿片类药物使用障碍和致命阿片类药物过量的经济负担。药物酒精依赖2021年1月1日;218:108350。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Florence CS, Zhou C, Luo FM，徐磊。美国处方阿片类药物过量、滥用和依赖的经济负担，2013。医疗护理2016年10月;54(10):901-906 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Vivolo-Kantor AM, Seth P, Gladden RM, Mattson CL, Baldwin GT, Kite-Powell A，等。生命体征:疑似阿片类药物过量急诊科就诊趋势-美国，2016年7月- 2017年9月。MMWR Morb Mortal Wkly Rep 2018年3月09日;67(9):279-285 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Alexander LM, Keahey D, Dixon K.阿片类药物使用障碍:公共卫生紧急事件。农学学报2018 10月31(10):47-52。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- 打击阿片类药物滥用、误用和过量的战略:基于五点战略的框架。美国卫生与公众服务部，2018年。URL:gydF4y2Bahttps://www.hsdl.org/?abstract&did=816001gydF4y2Ba[2021-03-15]访问gydF4y2Ba
- Blanco C, Volkow ND。阿片类药物使用障碍的管理在美国:现状和未来的方向。《柳叶刀》2019年4月;393(10182):1760-1772。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 奥尔森，沙夫斯坦，JM。直面阿片类药物使用障碍的耻辱及其治疗。中华医学杂志2014年4月9日;311(14):1393-1394。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Seelye KQ。在海洛因危机中，白人家庭寻求更温和的毒品战争。纽约时报，2015年。URL:gydF4y2Bahttps://www.nytimes.com/2015/10/31/us/heroin-war-on-drugs-parents.htmlgydF4y2Ba[2021-12-09]访问gydF4y2Ba
- MacLean D, Gupta S, Lembke A, Manning C, Heer J.论坛77:致力于成瘾康复的在线健康论坛的分析。见:第18届ACM计算机支持合作工作和社会计算会议论文集。: ACM;2015年1月1日发表于:第18届ACM计算机支持的协作工作与社会计算会议;2015年3月14日;加拿大温哥华，1511-1526年。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 促进从物质使用障碍中恢复的同伴支持。2017年1月1日发表于:CHI Conference on Human Factors In Computing Systems扩展摘要;2017年5月;丹佛，科罗拉多州，第172-177页。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 坎贝尔SW，凯利MJ。匿名戒酒协会成员使用移动电话:新的康复场所。新媒体学会2008年12月01日;10(6):915-933。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Rubya S, Yarosh S.在线社区中视频介导的同伴支持，用于从物质使用障碍中恢复。2017年1月1日发表于:ACM计算机支持的协作工作和社会计算会议记录;2017年2月;科罗拉多州丹佛市，1454-1469年。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Rubya S, Yarosh S.在线匿名戒酒匿名和麻醉品匿名的解释。Proc ACM Hum-Comput交互2017年12月06日;1(CSCW):1-22。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 胡华，潘宁，Geller J, Vo H, Manasi B，黄霞，等。深度自学学习用于检测推特中的药物滥用风险行为。2018年7月13日发表于:计算社会网络国际会议论文集;2018年12月18日至20日;中国上海，p. 330-342。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Chancellor S, Nitzburg G, Hu A, Zampieri F, De Choudhury M.利用社交媒体发现阿片类药物使用恢复的替代疗法。2019年4月15日发表于:CHI Conference on Human Factors In Computing Systems;2019年5月4日至9日;英国苏格兰格拉斯哥，第1-15页。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Lossio-Ventura JA, Bian J.内部看看推特上的阿片类药物危机。见:IEEE生物信息学和生物医学国际会议论文集(BIBM)。2018年12月03日发表于:IEEE生物信息学和生物医学国际会议(BIBM);2018年12月3日至6日;西班牙马德里，1496-1499页。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Tibebu S, Chang VC, Drouin C, Thompson W, Do MT.概述-社交媒体能告诉我们关于加拿大阿片类药物危机的什么?健康促进慢性疾病预防Can 2018 Jun;38(6):263-267 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Eshleman R, Jha D, Singh R.通过对社交媒体成瘾内容的计算分析，确定适合药物恢复干预的个人。见:IEEE生物信息学和生物医学国际会议论文集(BIBM)。: IEEE;2017.01发表于:IEEE生物信息学与生物医学国际会议(BIBM);2017年11月13-16日;堪萨斯城，密苏里州第849-854页。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Park A, Conway M, Chen AT。研究来自reddit的三个在线心理健康社区的主题相似性、差异和成员:文本挖掘和可视化方法。Comput Human behaviour 2018 Jan;78:98-112 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Young SD, Koussa M, Lee S, Perez H, Gill N, Gelberg L，等。在阿片类药物治疗慢性疼痛患者中进行社交媒体/在线社区支持小组干预的可行性。J成瘾杂志2018年1月05日;37(1-2):96-101 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- D'Agostino AR, Optican AR, Sowles SJ, Krauss MJ, Lee KE, Cavazos-Rehg PA。在线社交网络从阿片类药物使用障碍中恢复:对社区互动的研究。药物酒精依赖2017年12月01日;181:5-10 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- 周伟，吴A，克莱因。解决社交媒体上有关健康的错误信息。美国医学杂志2018年12月18日;320(23):2417-2418。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- 信息无序:研究和政策制定的跨学科框架。欧洲委员会2017年1月15日URL:gydF4y2Bahttps://edoc.coe.int/en/media/7495-information-disorder-toward-an-interdisciplinary-framework-for-research-and-policy-making.htmlgydF4y2Ba[2021-12-09]访问gydF4y2Ba
- Molina MD, Sundar SS, Le T, Lee D.“假新闻”不仅仅是虚假信息:一个概念的解释和在线内容的分类。Am Behav科学2019年10月14日;65(2):180-212。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 雷泽DM, Baum MA, Benkler Y, Berinsky AJ, Greenhill KM, Menczer F，等。假新闻的科学。科学2018年3月9日;359(6380):1094-1096。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- 陈涛，陈涛，张志强，等。武器化的健康传播:推特机器人和俄罗斯喷子放大了疫苗的争论。美国医学杂志公共卫生2018年10月;108(10):1378-1384。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 琼斯B，埃尔巴吉尔n，这些流言让埃博拉疫情更加严重。CNN世界，2014年。URL:gydF4y2Bahttps://edition.cnn.com/2014/08/20/world/africa/ebola-myths/index.htmlgydF4y2Ba[2021-12-09]访问gydF4y2Ba
- 《科学美国人》。URL:gydF4y2Bahttps://www.scientificamerican.com/article/covid-misinformation-is-killing-people1/gydF4y2Ba[2021-02-15]访问gydF4y2Ba
- Heimer R, Hawk K, Vermund SH.美国对阿片类药物使用障碍的普遍误解导致政策和公共卫生应对失败。中国临床感染杂志2019 july 18;69(3):546-551 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- 吴林，Blazer DG, Li T, Woody GE。处方阿片类药物使用障碍青少年的治疗使用和障碍。瘾君子Behav 2011 12月;36(12):1233-1239 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- 处方阿片类药物流行的误解和现实。中国药物学杂志2018年6月21日;103(6):963-965。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- 吴j, Bhalerao A, Bawor M, Bhatt M, Dennis B, Mouravska N，等。“不要评判一本书的封面”:美沙酮患者的耻辱经历的定性研究。Subst滥用2017年3月23日;11:11 178221816685087 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- 信息流行病学和信息监测:一套新兴的公共卫生信息学方法的框架，用于分析互联网上的搜索、传播和发布行为。J Med Internet Res 2009年3月27日;11(1):e11 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- 罗斯科夫DJ。非典还引发了一场“信息流行病”。《新闻日报》,2003年。URL:gydF4y2Bahttps://www.newsday.com/sars-also-spurs-an-information-epidemic-1.269835gydF4y2Ba[2021-12-09]访问gydF4y2Ba
- 信息流行病学:(错误)信息的流行病学。中华医学杂志2002年12月2日，第9期:763-765。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 初级保健和阿片类药物过量危机——丁丙诺啡的神话和现实。中华医学杂志2018年7月05日;379(1):1-4。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 关于使用Suboxone治疗阿片类药物成瘾的误区。哈佛健康出版社，2021。URL:gydF4y2Bahttps://www.health.harvard.edu/blog/5-myths-about-using-suboxone-to-treat-opiate-addiction-2018032014496gydF4y2Ba[2021-03-15]访问gydF4y2Ba
- 社交媒体情况说明书。皮尤研究中心。URL:gydF4y2Bahttps://www.pewresearch.org/internet/fact-sheet/social-media/?menuItem=3814afe3-3f3c-4623-910b-8a6a37885ab8gydF4y2Ba[2021-01-15]访问gydF4y2Ba
- Sarker A, DeRoos AB, Perrone J.挖掘社交媒体用于处方药滥用监测:以数据为中心的框架的审查和建议。美国医学通报协会2020年2月01日;27(2):315-329 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Salathé M.数字流行病学:它是什么，它将走向何方?生命科学与社会政策2018年1月04日;14(1):1-5 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Sarker A, Gonzalez-Hernandez G, DeRoos F, Perrone J.面向实时阿片类药物滥用监测:用于阿片类药物相关推文自动表征的机器学习。见:欧洲毒物中心和临床毒理学家协会(EAPCCT)第39届国际大会论文集。2019年1月1日发表于:第39届欧洲毒物中心和临床毒理学家协会国际大会(EAPCCT);2019年5月21-24日;意大利那不勒斯，第475页。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Drugs-Forum。URL:gydF4y2Bahttps://drugs-forum.com/forums/opiates-opioids.33/gydF4y2Ba[2021-02-15]访问gydF4y2Ba
- 康诺，李志强，李志强，李志强。基于自然语言推理数据的通用句子表示监督学习。2017年自然语言处理经验方法会议论文集。2017年自然语言处理经验方法会议论文集。2017年9月;哥本哈根，丹麦，第670-680页。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 张志刚，张志刚。长短期记忆。神经计算1997 11月15日;9(8):1735-1780。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Devlin J, Chang MW, Lee K, Toutanova K. Bert:基于深度双向转换器的语言理解预训练。出来了。2018.URL:gydF4y2Bahttps://arxiv.org/abs/1810.04805gydF4y2Ba[2021-12-09]访问gydF4y2Ba
- 李俊，尹伟，金松，金丁，金松，苏超，等。BioBERT:用于生物医学文本挖掘的预训练生物医学语言表示模型。生物信息学2020 Feb 15;36(4):1234-1240 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP。合成少数派过采样技术。J Artif Intell Res 2002 6月1日;16:21 -357。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 陈凯，陈志强，陈志强。基于向量空间的词表示估计算法。出来了。2013年1月1日URL:gydF4y2Bahttps://arxiv.org/abs/1301.3781gydF4y2Ba[2021-12-09]访问gydF4y2Ba
- Jamison A, Broniatowski DA, Smith MC, Parikh KS, Malik A, Dredze M，等。调整和扩展类型学以识别Twitter上的疫苗错误信息。美国公共卫生杂志2020年10月;110(S3):331-339。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Chenworth M, Perrone J, Love JS, Graves R, hog - bremer W, Sarker A.在Twitter上提到美沙酮和subboxone:主题和情感分析。临床毒理学(Phila) 2021 11月06日;59(11):982-991。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Peters ME, Uible E, Chisolm MS.推特教育:为什么精神病医生应该推特。Curr Psychiatry Rep 2015年12月13日;17(12):94。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Saha K, Ernala S, Dutta S, Sharma E, De Choudhury M.在线心理健康社区的适度理解。在:人机交互国际会议论文集，2020年1月1日发表于:人机交互国际会议;2020年7月19日至24日;哥本哈根，丹麦，第87-107页。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Matzat U, Rooks G.在线健康和支持社区的适度风格:接受度和有效性的实验比较。Comput Hum Behav 2014 7月;36:65-75。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- 科尔森NS，肖RL。培养与健康相关的在线支持小组:探索患者主持人的经验。计算机科学与工程，2013,29(4):366 - 366。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Skousen T, Safadi H, Young C, Karahanna E, Safadi S, Chebib F.在线患者社区的成功节制:归纳案例研究。J Med Internet Res 2020年3月17日;22(3):e15983 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
- Twitter的规则。URL:gydF4y2Bahttps://help.twitter.com/en/rules-and-policies/twitter-rulesgydF4y2Ba[2021-02-15]访问gydF4y2Ba
- 攻击性的推文和内容。URL:gydF4y2Bahttps://help.twitter.com/en/safety-and-security/offensive-tweets-and-contentgydF4y2Ba[2021-02-15]访问gydF4y2Ba
- Baker SA, Wade M, Walsh MJ。在大流行期间应对错误信息的挑战:内容节制和危害概念的局限性。澳大利亚媒体2020年8月17日;177(1):103-107。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
- Bonnevie E, Rosenberg SD, Kummeth C, Goldbarg J, Wartella E, Smyser J.利用社交媒体影响者增加对流感疫苗的知识和积极态度。PLoS One 2020 10月16日;15(10):e0240828 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
gydF4y2Ba
缩写gydF4y2Ba
| 疾病预防控制中心:gydF4y2Ba疾病控制和预防中心gydF4y2Ba |
| 资讯:gydF4y2Ba再gydF4y2Ba |
| LR:gydF4y2Ba逻辑回归gydF4y2Ba |
| LSTM:gydF4y2Ba长短期记忆gydF4y2Ba |
| 垫:gydF4y2Ba进行药物治疗——辅助疗法gydF4y2Ba |
| ML:gydF4y2Ba机器学习gydF4y2Ba |
| MOUD:gydF4y2Ba阿片类药物使用障碍的药物gydF4y2Ba |
| 乌得琴:gydF4y2Ba阿片类药物使用障碍gydF4y2Ba |
| TF-IDF:gydF4y2Ba术语频率-逆文档频率gydF4y2Ba |
M Focsa编辑;提交27.05.21;M Lotto, X Cheng同行评审;对作者10.07.21的评论;修订版本于04.10.21收到;接受19.10.21;发表22.12.21gydF4y2Ba
版权gydF4y2Ba©Mai ElSherief, Steven A Sumner, Christopher M Jones, Royal K Law, Akadia Kacha-Ochana, Lyna Shieber, LeShaundra Cordier, Kelly Holton, Munmun De Choudhury。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com)， 2021年12月22日。gydF4y2Ba
这是一篇开放获取的文章，根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布，允许在任何媒介上无限制地使用、分发和复制，前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息，//www.mybigtv.com/上的原始出版物的链接，以及此版权和许可信息。gydF4y2Ba