卫生信息来源与卫生知识质量:重复横断面调查

简介

人们用于查找与健康相关信息的信息源的质量和可信度在其健康结果中发挥重要作用，因为这些信息有助于人们了解健康知识。研究表明，在许多疾病中，虚假信息会导致糟糕的治疗选择。1]，忧虑加重[2]，以及最近接受COVID-19疫苗接种的意愿降低[3.］．在线健康信息源的内容虽然极为丰富，但大多仍不受监管[4]，人们往往根据自己的判断来评价这些信息来源[5，6］．互联网资源经常被使用，尽管患者也依赖于医疗保健专业人员，并使用其他来源，如家人、朋友和报纸，以补充他们的信息[7］．此外，随着人们对一种新疾病认识的提高，人们的知识和信息来源也可能发生变化。在COVID-19大流行的早期阶段，在线搜索关于COVID-19的信息有所增加[8]，搜寻其他健康状况的次数减少[9］．人们搜索关于COVID-19及其症状的信息，并访问社交媒体以回应新闻报道，但这些影响是短暂的[10，11］．鉴于现有信息的类型和质量各不相同，了解人们收集卫生信息的地点与其卫生知识质量之间的关系以及这种关系如何随着时间而变化至关重要。

我们的目标是确定(1)人们信任哪些信息源并使用哪些信息源来收集卫生信息，(2)所使用的信息源与卫生知识质量之间的关系，以及(3)在COVID-19大流行不断变化的情况下，人们的卫生信息来源如何变化，以及这与他们的卫生知识质量有何关系。更好地理解卫生信息源和卫生知识质量之间的联系，可以使卫生保健专业人员将患者重新定向到可靠的信息源，并通过深入了解患者当前的理解来促进共享决策。在大流行期间探索这一切，使我们能够了解随着对疾病知识的积累，信息源的使用可能发生的变化。

背景

我们首先回顾了人们从哪里获得健康信息的研究，然后考察了人们的健康知识，最后讨论了信息来源和知识之间的联系。

卫生信息来源

随着个人在与医生的直接互动之外获得越来越多的健康信息，了解人们从哪里获得这些信息变得至关重要。健康信息寻求行为模型(HISB)旨在捕捉个体参与信息寻求的过程，以及这与他们的健康结果之间的关系。约翰逊的(12，13信息搜索综合模型(CMIS)由3个部分组成:前因、影响信息搜索的意义因素(如信念);信息载体特征(如内容、来源);以及产生的动作。虽然这个模型已经被广泛应用，但它最初是基于乳腺癌周围的信息搜索而开发的。然而，其他研究发现，人们可能会避免有关癌症和癌症基因筛查的信息。14]，尤其是当他们认为自己处于危险之中时[15，这表明癌症相关信息的寻求可能不同于其他疾病。另一个限制是没有考虑到个人为他们生活中的其他人寻求健康信息[16］．

围绕HISB的许多工作都集中在个人使用的信息源上[17]和更喜欢[18]，并特别强调网上资料[19]由于它们的流行[20.］．搜索引擎和社交媒体是美国人获取健康信息的主要来源[4］．许多成年人在看医生前先上网咨询。21]，特别是当他们对自己的医疗护理不满意时[22］．最常见的健康搜索问题主要分为4类:(1)对健康状况或诊断的一般了解;(2)治疗方案，包括程序或药物;(三)医院、药房等卫生专业人员和卫生机构信息;(4)针对慢性疾病的饮食和生活方式信息[23，24］．在主要的搜索引擎中，谷歌提供与健康有关的最有用和最相关的信息[25]，而Twitter和YouTube则是最受欢迎的健康资讯搜寻社交媒体平台[1，4］．

与静态信息源(如学术和政府网站)相比，社交媒体平台的一个优势是允许人们与他人互动和分享信息。然而，由于专家没有管理这些信息源，它们的质量是未知的，它们的使用可能会对健康决策和行为产生负面影响[1］．维基百科是一个免费的、开源的在线百科全书，是一个中间地带，因为信息没有经过专家审查，但社区试图保持质量和准确性。64%的美国人认为维基百科是一个可靠的信息来源，无论选择的主题是什么。26］．然而，在维基百科关于健康主题的14000多个条目中，只有4%被确认为高质量[27］．由于人们很少检查在线健康信息的质量，他们可能没有意识到自己暴露在低质量或虚假信息中。

以前大多数关于健康信息寻求的研究都集中在在线资源上，因此对于人们如何以及何时寻找和使用线下信息源(如医疗专业人员、家庭成员或新闻媒体)知之甚少[7］．雅各布斯等[28大多数人首先上网，很少有人从家人、朋友和同事那里查找信息。然而，这项研究着眼于一般情况下的健康信息搜索，而不是针对特定情况，因此，与寨卡病毒等新兴疾病相比，人们的行为是否会因为感冒等常见疾病而有所不同，这仍然是一个悬而未决的问题。张(29]就特定的健康事件采访了个人，寻找影响人们如何选择信息源的因素，但同样没有研究不同条件下的差异，也没有研究信息源与知识的关系。

除了偏好上网查询外，人们选择在何处获取健康信息还取决于健康主题、信息可得性、隐私问题、人们期望查找的信息质量以及健康素养[4，30.］．当担心隐私和搜索有关可能存在社会污名的情况的信息时，人们会避免社交媒体，而是使用搜索引擎、期刊和书籍来了解自己的健康状况[4］．一些研究发现，社会人口特征与在线健康信息搜索模式之间存在相关性[31，32］．例如，LaValley等人[33调查发现，年轻人倾向于使用商业网站(例如，维生素供应商也提供健康信息，以吸引人们参与电子商务)。相比之下，老年人倾向于使用学术网站。其他研究发现，总体而言，老年人不太可能相信网络资源。34]而且不太善于使用它们[35］．此外，男性使用的信息源比女性少，他们更关注信息的准确性、全面性和获取的方便性，而女性则更关注信息的可解释性和易理解性。25］．宗教和慈善组织提供免费或低成本的保健服务，是弱势群体(包括少数民族、英语水平有限的人、农村居民和移民)的常见健康信息来源[36］．总的来说，以前的工作已经探索了用于在特定人口群体中进行一般信息搜索或一次搜索一种特定疾病的健康信息的来源。然而，在一项研究中，还没有研究探索不同疾病类型的信息寻求是如何不同的，从而可以推断不同类型的疾病。相反，我们的目标是了解人们去哪里获取健康信息是否存在基于疾病的系统性差异。

健康知识

人们收集的关于健康和疾病的信息增加了他们的健康知识，这意味着他们对影响健康的因素、疾病的原因以及治疗和预防疾病的方法的信念[37］．健康知识影响人们如何以及是否遵循健康指南[38-40]如果不准确，就会导致各种不良健康后果和延误医疗护理[41，42］．不正确的健康知识可能导致人们选择不理想的治疗方法，从而使人们的病情恶化，这对急性疾病尤其危险[43，44］．

健康信息搜索模型，如CMIS，假设信念影响人们如何搜索健康信息，但没有检查信念形成的过程。这些模型中的许多都受到健康信念模型(HBM)的影响并纳入其中，HBM代表了影响人们健康相关行为的主要因素[45］．另一个与我们的研究更相关的模型是自我调节常识模型(CSM) [46，47］．在这个模型中，个体被认为是:(1)通过寻求信息、检验关于他们健康状况的假设，并将他们的经验与他们收到的信息联系起来，积极地解决问题;(二)有指导行为的疾病表象;(3)有自己的信念，这些信念可能不同于他人或医学共识。这个模型表明，经历，如个人自己的经历或家人或朋友的经历，会改变疾病的表现。因此，CSM预测，在一场大流行的过程中，人们最初没有亲身经历，后来获得了经验，并接触了媒体，这种观念将会改变。研究得最系统的信念是那些与药物有关的信念，发现对药物必要性的信念和减少担忧与坚持治疗有关[48］．然而，这项工作尚未与个人的信息寻求行为联系起来，因此尚不清楚健康知识的质量是否与人们咨询的信息源有关。为了缩小这一差距，我们的目标是对人们对不同疾病的病因、风险因素和预防措施的了解如何与他们用于搜索健康信息的信息源相关联进行探索性分析。

卫生信息来源如何影响卫生知识

尽管人们健康知识的重要性已得到公认，但人们所使用的具体信息源如何影响这些知识，人们所知相对较少。凯利和伯克曼[49]发现参与者使用的健康信息来源与他们对癌症的心理模式之间存在相关性。从当地新闻了解癌症的参与者对癌症预防的模糊程度更高，而在互联网和报纸上搜索癌症相关信息的参与者对癌症预防的模糊程度较低。49］．依赖于健康信息的非专业信息来源，如朋友和家人，与对皮肤癌有更高的错误信念的可能性有关[50］．根据HBM和CSM，这些信念会影响行为。例如，对于精神健康状况，人们最常报告从诊断患者的个人经历中获得信息，而这些经历改变了对许多因素的看法，包括疾病的原因和治疗偏好(有关综述，请参见[51])。然而，这种关系并不一定是单向的，因为行为也会影响信息寻求，例如焦虑调节护理使用与信息寻求之间的关系[52］．

信息源本身也与行为有关，使用印刷媒体和人际资源作为信息源的个人更有可能从事健康行为[53］．然而，研究信息如何影响信念的研究却少得多。寻求健康信息的吸烟者更有可能打算戒烟，但研究人员并没有发现信念调节这种关系。54］．

尽管先前的工作表明，信息对人们是否了解如何预防疾病很重要，但对特定信息源和健康知识之间关系的研究一直很有限。此外，我们必须更好地了解人们从哪里获得信息，以及信息如何在不同类型的条件下影响他们的信念，而不是针对一般健康或仅针对具体问题。更好地理解这种关系可能有助于提供健康信息并告知普通民众的医疗专业人员和政策制定者。因此，在这项研究中，我们的目标是通过调查人们获得健康信息的地点与他们对各种疾病的了解之间的关系，对健康信息来源、对这些信息源的信任以及对健康知识的影响提供更深入的理解。

方法

材料

我们选择了8种疾病，包括病毒性疾病(埃博拉病毒、普通感冒、COVID-19、寨卡病毒)和非病毒性疾病(食物过敏、肌萎缩性侧索硬化症、链球菌性咽喉炎、中风)。这些选择包括病毒性和非病毒性疾病的混合严重程度，以及非病毒性疾病中的慢性(食物过敏，渐冻症)和急性(链球菌性咽喉炎，中风)情况的均匀分布。考虑到这项研究的时间跨度，我们预计许多参与者会想到COVID-19。包括其他病毒性疾病可以与其他类似引起的健康状况进行比较，作为与covid -19相关的应对措施进行比较的基线。

对于每种疾病，参与者首先看到一个屏幕，上面有以下3个问题，[ITEM]填写了相应的疾病名称:

• 你认为是什么导致了[ITEM]?(原因问题)
• 是什么让人们更容易或更不容易患上[ITEM]?(风险因素问题)
• 如何预防[ITEM] ?(预防问题)

在下一个屏幕上，参与者被要求反思他们从哪里获得这些信息，并伴随着以下提示(信息源问题):

现在我们想让你列出你认为你从哪里了解到关于[ITEM]的任何或所有信息。如果你不记得你在哪里学到的东西，描述一下你认为你会去哪里找到这些信息。

一些来源的例子包括特定的报纸或杂志，特定的网站，个人经历，医疗专业人士，或来自家庭成员或朋友。这不是详尽的，可能还有其他来源。请尽可能具体。

所有回复都是免费文本。在完成了所有8种疾病的这些问题后，参与者对16个健康信息来源的可信度进行了评级，从1(完全不值得信任)到7(非常值得信任)。参与者还可以指出他们是否无法判断消息来源的可信度。16个独特的信息源是从个人先验认为用于健康信息的地方(搜索引擎、医生、WebMD、政府卫生组织、维基百科、公共卫生运动、电视新闻、新闻网站或报纸、家庭、朋友)中选择的，以及参与者在试点测试中提到的信息源(社交媒体、健康和健身杂志、YouTube、Reddit、医学期刊、个人经历)。我们使用Qualtrics进行了调查。

道德的考虑

数据经史蒂文斯理工学院机构审查委员会(IRB)批准收集(IRB协议#2018-003)。在开始研究之前，参与者阅读了一份同意书，告知他们研究的目的，并注意到参与的自愿性质。参与者通过点击响应按钮表示同意。

过程

研究人员使用高产软件在12个时间点上招募了参与者，并为参与者提供了4.5美元的报酬。我们限制了年龄范围，因为之前的工作发现老年人在网上表现出明显不同的信息寻求行为[33，55]以及这些来源的不同信任模式[34］．在第一个时间点支付较低(3美元)，但我们发现研究持续时间比预期的要长(平均29.77分钟，所有时间点的标准差为17.21)，并相应地增加了支付以维持目标时薪。2400名参与者中有2350人(97.92%)仍在分析中，其中4人(0.17%)没有完成研究，46人(1.91%)被排除:17人(37%)的回答是与问题无关的随机句子，17人(37%)是从互联网或说明书上复制的，7人(15%)是重复的，4人(9%)参与者报告年龄<18岁或>65岁，1人(2%)的回答是用波兰语写的。

在同意这项研究后，所有参与者都完成了每种疾病的4个问题(病因、风险因素、预防、信息来源)，疾病的顺序是随机的，然后是对各种预定信息来源的信任评级。在此之后，参与者完成了一份人口统计问卷，除年龄、性别和教育水平外，还询问了他们居住的州和参与者居住的与covid -19相关的限制。从2020年3月31日(10个时间点)开始，每隔一周进行一次调查，为期20周，然后在4周后和2周后(2020年9月22日)再次进行调查，共12个时间点。选择这一频率是为了足够频繁，以捕捉大流行开始阶段的变化。最后选取2个时间点，分别是劳动节前1周和后2周。这些日期恰逢美国人们经常旅行的时间和新学年的开始，这两件事预计都会导致COVID-19病例激增。个人只允许参加1个时间点。

参与者

我们使用高产工具在12个时间点(总共2400人)每个时间点招募了200名参与者。所有参与者均为18-64岁的美国居民。多媒体附件1包括我们分析中2350名参与者的详细人口统计信息。在所有12个时间点中，我们的样本包括1081名(46%)女性，1222名(52%)男性和47名(2%)以其他方式识别。参与者主要是年轻人，其中775人(33%)为18-24岁，869人(37%)为25-34岁，400人(17%)为35-44岁，212人(9%)为45-54岁，94人(4%)为55-64岁。

数据分析

所有关于病因、风险因素和预防措施的数据都由两名编码员独立编码，如果存在分歧，由编码员或第三方讨论并解决。信息源在细粒度级别上进行编码(例如，生物课)，然后映射到更高级别的类别(例如，教育)。参与者表示他们不知道(我不知道[IDK])的反应被排除在项目层面的分析之外(例如，对编码为IDK的参与者的ALS风险因素的反应被排除，而ALS的原因和预防仍在分析中)。对于每种情况，我们使用负责国际公共卫生的政府机构的网站，即疾病控制和预防中心(CDC)、世界卫生组织、美国中风协会和美国哮喘和过敏基金会，来确定个人回答是否正确。

为了评估有关原因、危险因素和预防措施的健康知识质量，我们将不正确的回答赋0，正确的回答赋1。看到多媒体附录2而且3.对于所有使用的代码以及每种疾病的正确反应的列表，多媒体附件4正确答案从何而来，还有多媒体例如，1名参与者的回答是如何编码的。对原因和风险因素提示的反应是相似的，参与者经常在两个提示中列出相同的因素，所以这些因素被结合起来进行分析。我们计算知识精度和知识深度(召回率)如下。知识精度是一个参与者正确的唯一回答的数量除以该参与者唯一回答的总数。对于原因和风险因素类别，只要对原因或风险因素的反应是准确的，就被认为是正确的。然后，我们对病因/风险因素和预防的精度进行平均，为每种疾病的每个人获得1个精度分数。我们通过将参与者对某种疾病和类别的正确回答数量除以被认为对该疾病和类别正确的代码数量来计算知识深度。因此，如果CDC和其他来源将A和B列为COVID-19的原因或风险因素，而Amy只列出了B，则Amy的精度为1.0，召回率/知识深度为0.5。总之，这些测量表明了参与者的回答中有多少是正确的(知识精度)，以及他们对某个条件的知识程度(知识深度)。

由于我们的研究是探索性的，我们进行了一系列分析，以回答有关卫生信息来源的关键开放性问题。我们首先调查了人们从哪里获得信息(使用所列来源的流行度)，以及不同疾病的信息来源有何不同(使用因子分析)。我们的因子分析采用直接旋转的最大似然估计。我们使用Scree检验并保留特征值大于或等于1的所有因子。然后，我们调查了人们对各种信息源的总体信任程度，然后比较了个人对使用过的信息源和他们不使用的信息源的平均信任程度，并使用Kolmogorov-Smirnov测试进行了测试。我们考察的第三个关键方面是知识质量。我们使用编码反应来比较各种疾病的知识质量，然后检查知识质量是否与咨询来源的数量相关。最后，我们研究了关于COVID-19的知识质量以及对与大流行相关的地方限制的理解如何随时间变化。

结果

人们从哪里获得健康信息?

我们首先分析第一个时间点(2020年3月31日)，然后研究结果如何随时间变化。为了确定人们从哪里获得他们的健康信息，我们报告了提到每种疾病的每种高级信息源类型(例如，新闻，而不是CNN)的个人百分比(表1)．看到多媒体附件6有关高级信息源类型的完整列表。

我们进行了探索性因子分析，以确定所使用的信息源中是否存在子组或模式。对于所有疾病(N=8)，我们输入每个高级信息源(N=55)的提及次数，导致8×55矩阵，其中每个单元格是所有参与者中该疾病的该来源类型的提及次数。我们发现疾病分为两个不同的组(表2而且3.)，在第一个因素上有4种疾病(≥.9)，在第二个因素上有3种疾病(>.9)。一组是我们所说的“新发疾病”，包括新出现的严重影响公共卫生的传染病(寨卡病毒、COVID-19和埃博拉病毒)，而另一组是“常见病”，包括那些历史上在普通人群中很常见的疾病(中风、链球菌性咽喉炎、食物过敏和普通感冒)。最常被提及的新发疾病来源是新闻(n= 68,34%)、政府机构(n= 18,9%)和社交媒体(n= 14,7%)。对于常见疾病，最常提到的来源是家人(n= 30,15%)、医疗专业人员(n= 26,13%)和朋友(n= 14,7%)。肌萎缩性侧索硬化症与这两组患者有显著差异，这反映出人们对它的了解有特殊的方式。此外，许多参与者表示对渐冻症一无所知。当参与者报告信息来源时，通常与社交媒体活动(如冰桶挑战)或名人信息有关，因此这不太可能反映有意的信息寻求，ALS被排除在进一步的分析之外。

人们会使用他们认为值得信赖的信息源吗?

我们现在研究参与者对信息来源可信度的看法与他们咨询的人之间的关系。首先，我们计算了参与者在第一个时间点对16个信息源的平均信任程度。社交媒体评分最低(平均2.8，标准偏差1.21)，其次是YouTube(平均3.34，标准偏差1.23)和Reddit(平均3.50，标准偏差1.41)，而医疗专业人士(平均5.63，标准偏差1.03)、医学期刊(平均5.49，标准偏差1.96)和政府机构(平均5.23，标准偏差1.41)被评为最值得信赖(图1)．

‎ 查看此图

为了计算人们对他们报告使用的信息源的信任程度，我们将每个人用于了解每种疾病的信息源映射到他们评级的16个信息源(例如，学校护士被分配给医疗专业人员的评级)。然后，我们进行了Kolmogorov-Smirnov测试，将每个参与者使用的信息源的平均信任得分与他们没有使用的信息源的平均信任得分进行比较。对参与者用于每组疾病(常见疾病和新发疾病)的独特信息源进行了平均评分，并对参与者未使用的信息源进行了单独评分。我们发现，参与者用来了解两种常见疾病(D₁₉₈=点,P<措施;使用均值4.32,SD 1.11;未使用平均值3.97，标准差1.23)和新发疾病(D₁₉₈=点,P<措施;使用均值4.52,SD 1.09;未使用的平均值为4.03，标准差为1.17)，这意味着人们认为他们使用过的信息源比没有使用过的信息源更值得信赖。因此，即使社交媒体不被广泛认为是可靠的健康信息来源，但与不使用社交媒体的人相比，使用社交媒体的人认为它更可靠。

信息源与知识质量相关吗?

为了评估参与者的知识质量并了解其与信息来源的关系，我们在每个疾病组中分别对参与者的知识精度和知识深度进行了平均(例如，我们对COVID-19、寨卡病毒和埃博拉的知识精度进行了平均，以代表新出现的疾病;按疾病分列的详细数据见多媒体)．由于数据不是正态分布(见多媒体附录8-11)，我们进行Kolmogorov-Smirnov检验，比较常见病和新发疾病之间的知识精度和知识深度，以获得统计学意义。我们发现，对新发疾病的知识精确度显著高于对常见疾病的知识精确度(D₁₉₈= 10,P= .003)。为了检验参与者的知识程度，我们现在转向知识深度分析(表4)．我们再次发现，参与者在新发疾病(平均0.67,SD 0.23)方面的得分明显高于常见疾病(平均0.51,SD 0.27) (D₁₉₈= .19,P<措施)。最后，我们运用斯皮尔曼秩相关来检验参与者使用的信息源的平均数量与他们的知识质量之间的关系。我们发现，参与者报告使用的信息源数量与两种常见(r)的知识精度呈弱正相关₁₉₈=酒精含量,P<.001)和新兴(r₁₉₈=点,P<措施)疾病。我们观察到知识深度和报告的信息源数量之间有更强的相关性₁₉₈=。31,P<.001)和新兴(r₁₉₈= 29,P<措施)疾病。

COVID-19的知识质量和信息源数量如何随时间变化?

我们的第二个关键分析考察了2019冠状病毒病(COVID-19)的信息源和对信息源的信任在2020年3月31日至9月22日期间的变化。我们使用参与者列出的信息源数量和他们在所有12个时间点上的信任得分进行了线性趋势分析。我们没有发现使用的信息源数量随着时间的推移有显著变化(F_1184年=8.23，均方误差[MSE]=0.16，P=.37)或所有16个信息源的平均信任得分(F_1184年MSE = 0.22 = 12.76,P=.45)，我们也没有发现任何个人来源的信任发生变化(所有P> .09点)。然而，通过线性趋势分析，我们确实观察到了知识质量的显著变化。在2020年3月31日开始收集数据时，COVID-19的知识精度得分最高(平均值0.76，标准差0.19)，此时知识深度也较高(平均值0.72，标准差0.12)。知识精密度和知识深度均显著降低(知识精密度:F_1184年MSE = 0.25 = 5.31,P= .03点;知识深度:F_1184年MSE = 0.18 = 3.02,P<.001)到2020年9月22日的最后一个时间点(知识精度:平均值0.71，标准差0.22;知识深度:均值0.69，标准差0.18)，如图2．此外，我们测量了效应量，使用Cohen d评分表示从一个时间点到下一个时间点的准确性下降。我们发现时间点之间的效应大小从小到中不等(d=0.32-0.49)。这些发现表明，随着时间的推移，人们除了报告正确的信息外，还会报告更多不正确的信息。值得注意的是，我们没有发现新发或常见疾病(不包括COVID-19)的来源数量随着时间的推移有显著差异(常见:F_1184年MSE = 0.11 = 6.65,P= .19;新兴:F_1184年MSE = 0.14 = 7.89,P=.09)，信任来源(常见:F_1184年MSE = 0.15 = 9.86,P= 49;新兴:F_1184年MSE = 0.09 = 14.21,P=.77)，知识精度(通用:F_1184年MSE = 0.13 = 10.31,P=。08;新兴:F_1184年MSE = 0.11 = 13.64,P=.35)或知识深度(常见:F_1184年MSE = 0.14 = 11.73,P= . 21;新兴:F_1184年MSE = 0.08 = 8.67,P=。45)。

‎ 查看此图

同样，我们研究了关于covid -19相关限制的知识是如何随着时间变化的，以了解参与者对快速变化的健康指南的了解程度。我们对所有州进行了分类分析(在发现美国地区之间的得分没有显著差异之后，也没有基于州一级的疫苗接种率，这可能表明与covid -19相关的信念存在差异)。线性趋势分析显示，两者的知识精密度(F_1184年MSE = 0.19 = 12.91,P=.003)和知识深度(F_1184年MSE = 0.26 = 8.004,P<.001)的与covid -19相关的限制。此外，我们通过比较人们认为限制更多和限制更少的频率，来检查错误回答的类型。为了比较这些分数，我们计算了这两类参与者的错误回答数量，并使用Kolmogorov-Smirnov检验对其进行了统计显著性比较。错误的回答主要是由于参与者不知道他们所在州的限制，并且认为限制比实际实施的要少(D₁₆₄₉= 0.23,P<措施)。

讨论

主要研究结果

在这项研究中，我们的目标是了解人们使用哪些信息源来了解健康状况，这些信息源如何与他们的健康知识质量相关，以及信息源选择和健康知识如何随时间变化。首先，我们发现人们系统性地依赖不同类型的来源，这取决于他们获得的是常见疾病(食物过敏、链球菌性咽喉炎、中风)的信息，还是新发疾病(埃博拉、普通感冒、COVID-19、寨卡)的信息，个人依赖新闻、政府机构和社交媒体来收集有关新发疾病的信息，同时从家人、朋友和医疗专业人员那里寻求常见疾病的信息。其次，我们发现人们使用资源的数量与健康知识的质量正相关。有趣的是，与常见疾病相比，参与者对新出现的疾病有更好的理解，这可能是因为参与者更有可能使用外行信息来源，如朋友和家人，来了解常见疾病，这表明这些信息来源更有可能是不完整或不正确的。

尽管参与者总体上确实区分了不同信息来源的可信度，但他们认为他们使用过的信息来源比没有使用过的信息来源更值得信赖。例如，尽管与不使用社交媒体作为健康信息来源的人相比，社交媒体的信任度总体较低，但那些使用社交媒体的人却觉得它更值得信赖。最后，在COVID-19大流行早期的6个月里，我们发现知识质量总体下降，包括对原因、风险因素和预防性干预措施的知识，以及对当地COVID-19相关限制的知识。我们没有发现其他情况随着时间的推移有任何变化，这表明尽管我们采用了横断面方法，但随着时间的推移，知识的变化是针对COVID-19的，而不是由于人群差异。这种认识的减少，部分原因可能是在大流行期间，不同的、微妙的限制措施的数量有所增加。随着限制的复杂性增加，我们的参与者似乎不太能够跟踪他们所在州的情况。未来的工作应探讨公共卫生限制的复杂性与这些限制的知识之间的关系，以及如何利用这些发现制定关于新发疾病的信息传播准则。

与之前工作的比较

我们的研究可以在CSM的背景下理解[47，通过疾病表征，包括对病因和控制(如预防策略、治疗)的了解，来指导行为。在这一框架的基础上，我们现在发现，人们对常见病和新发疾病的知识和他们的信息来源一样，存在系统性差异。尽管信念和具体来源选择之间的联系还没有被检验，但之前的工作已经将信息搜索框定为一个假设测试过程，这表明信念可能指导人们在网上搜索什么。56］．信息质量(例如，外行和人际来源的使用)是否会导致常见疾病知识质量的下降，或者个人因素是否会独立地驱动知识和来源选择，这仍有待未来的工作来确定。CSM还为解释我们关于COVID-19的研究结果提供了一个框架。除了COVID-19的知识和限制随着时间的推移而变得越来越复杂(例如，呆在家里与戴口罩、感染后隔离和通风的指南相比)，随着时间的推移，随着个人经验的增加或人们发现它越来越被理解，人们对健康威胁的看法也可能会有所不同。这反过来可能会影响他们的信息源或信息寻求行为。未来需要在新出现的大流行期间开展工作，以审查信息源、信念和感知风险之间的关系。

我们还建立在先前通过识别疾病之间的系统差异来寻找健康信息的工作的基础上。以前的研究主要集中在使用在线健康信息源，如社交媒体和网站[1，2，4，31]，以及人们对特定疾病的了解[5，21，22而不是在疾病群体中寻找模式。我们没有关注特定的信息来源，而是使用了在一段时间内收集的开放式问题，使我们能够了解人们从哪里获得信息，以及这种情况如何变化。我们关于最常见健康信息源的发现与之前调查健康信息寻求策略的工作一致[1，2，4];然而，先前的研究并没有调查疾病组的搜索模式及其与健康知识的相关性。人们对新发疾病和常见疾病使用的信息来源的差异可能是由疾病的性质所解释的。常见疾病，如食物过敏、普通感冒、链球菌性咽喉炎和中风，可能是在一生中从家庭成员那里了解到的，因为它们会影响到个人或他们认识的人。当一种新的疾病出现时，人们没有亲身经历，他们依赖新闻媒体和政府机构，这两者都在传播关于新疾病的信息[57］．这种差异提供了一个机会，将我们的发现扩展到其他可能被归类为常见疾病或新发疾病的疾病，并制定有效的信息传递策略。

我们进一步发现，尽管总体而言，人们认为医疗专业人员和政府信息来源比非专业信息来源(如社交媒体、朋友)更值得信赖，但与不使用非专业信息来源获取健康信息的个人相比，选择使用非专业信息来源获取健康信息的人认为这些来源更值得信赖。这有两个关键的含义。首先，有必要帮助个人获得可靠的信息，并评估他们收到的信息的质量。由于对自身健康的误解和对所使用的健康信息的质量缺乏认识，人们可能面临做出错误决定的风险。这可能导致不适当的卫生干预、对新信息的误读和不良的健康结果。其次，了解个人在突发卫生事件(如大流行)期间在哪里寻找信息，而不是在他们患有共同疾病时，意味着可以有选择地将信息定向到个人将寻找的地方。例如，Bautista等人[58建议让卫生专业人员纠正社交媒体上的错误信息。我们的研究结果对此提供了进一步的支持。在社交媒体上开展更广泛的健康宣传活动，可以侧重于利用医疗专业人员提供有关新发疾病的可靠信息，例如正在发生的冠状病毒大流行。政府机构可以利用参与者通常使用社交媒体，尽管他们认为社交媒体不那么值得信赖，从而更有效地传递有关疫苗接种等信息，并有可能提高健康知识。

限制

由于我们的数据来自多产者，且仅来自美国居民，因此我们的研究可能无法推广到其他人群。因此，未来的研究可能需要在不同地理位置的样本中调查信息源和卫生知识质量之间的关系。所研究疾病的性质也是如此，我们无法实时了解人们从哪里获得信息(例如，他们什么时候第一次听说链球菌性咽喉炎)，因此由于依赖参与者的记忆和随着时间的推移调查不同的参与者，可能会存在偏见。由于我们没有询问参与者是否有任何列出的条件，个人经验可能是信息源或知识质量的调节因素。使用多种疾病类别可以让我们看到，参与者不仅仅是列出他们用于最近出现的疾病(COVID-19)的来源，但我们无法知道个人的特定信息源或知识质量是否正在发生变化。我们的分析主要是探索性的，尽管进行许多分析可能会引入α误差。此外，尽管多个编码员独立编码每个自由文本响应，但这种定性分析过程可能会引入偏差。最后，我们对16类信息源进行了信任评级，但这并没有涵盖更多不常被提及的信息源类型和综合信息源类别(例如，家庭，没有区分处于照顾角色或关系密切程度的人)。

未来研究的其他关键途径包括在更细粒度的层面上检查信任(例如，每个参与者列出的具体来源)，在个人层面上的信念和信息寻求的变化(例如，发现当一种疾病在人群中流行时，个人是否会从社交媒体转向家庭获取信息)，对一种新出现的疾病使用信息源如何改变对先前已知疾病的信息源使用，以及如何利用这些发现更有效地传递信息。虽然我们知道人们可能会有什么误解，以及他们在哪里寻求信息，但需要进一步的工作来将这些误解转化为有效的信息策略。

结论

我们的研究调查了人们用于了解健康信息的信息源，以及这些信息源与个人知识的关系。我们的研究结果表明，健康信息来源和知识质量因疾病类型而异。我们根据人们寻找健康信息的信息来源确定了两组疾病:主要从家人、朋友和医疗专业人员那里了解的常见疾病(食物过敏、链球菌性咽喉炎、中风)和人们从新闻媒体、政府机构和社交媒体上了解的新发疾病(埃博拉、普通感冒、COVID-19、寨卡病毒)。我们还发现，人们倾向于信任他们使用的信息源，即使大多数人认为这些信息源质量较低(例如，社交媒体)。我们的研究结果表明，需要通过人们可能用于不同疾病类型的信息源进行有针对性的干预。在未来，我们的目标是通过调查不正确的知识如何影响人们使用信息的方式和做出与健康相关的决定来扩展这项研究。