推特上支持/反对covid -19疫苗信息的传播与特征之间的关联:精化似然模型的应用

简介

背景

各国政府已将COVID-19疫苗接种作为预防感染和死亡的关键战略。高传染性欧米克隆变异的广泛传播使得疫苗接种覆盖面比以往任何时候都更加迫切。然而，过多的信息使人们无法保护自己免受COVID-19的侵害[1］．学者们发现，人们很容易受到微博网站上有关疫苗的评论文章的影响。例如，疫苗犹豫与社交媒体上的反疫苗运动密切相关[2，3.］．因此，了解社交媒体网站上prov疫苗和反疫苗信息的传播是至关重要的。世界卫生组织呼吁更加重视信息流行病学，即致力于了解通过电子媒介传播信息的科学研究领域[4-6］．本研究调查了疫苗立场信息的哪些特征可能导致传播，以及prov疫苗和反疫苗信息之间的这些特征是否不同。对这些问题的回答将有助于各国政府积极参与传播预防疫苗信息，并确定可能有影响力的反疫苗信息。

我们选择Twitter作为数据来源，因为它是最受欢迎的微博网站，截至2022年1月，全球有3.97亿活跃用户[7］．微博网站在宣传政府疫苗接种政策时，已证明其在公共信息采纳和决策方面的有效性[8］．Twitter允许用户转发另一个用户的文本，从而在其追随者中传播信息，从而实现广泛的信息扩散。

在COVID-19大流行之前，研究人员使用推特数据，通过文本分析、图像分析、主题建模和社区检测来研究公众对疫苗接种的看法[9，10］．最近，有研究分析了推特上与COVID-19疫苗接种相关的情绪、观点、话题和说服技巧[11-14］．此外，许多工作致力于确定对COVID-19疫苗态度的决定因素[15-18]、疫苗错误信息的来源及其对疫苗接受度的负面影响[19］．Germani和Biller-Andorno的一篇论文[20.报道称，与provaxxers相比，反疫苗者在Twitter上发的推文更少，但更多地参与讨论(通过回复或转发)。

另一类文献侧重于有说服力的信息诉求，包括logos(论点的事实/逻辑)、pathos(论点的情感)和ethos(作者的可信度)[21］．这些口头呼吁已应用于政治运动、卫生问题、筹集资金、推广技术产品和接种疫苗[22-26］．在公报》，其呼吁已被广泛应用于疫苗接种策略[26］．研究发现，在抗疫苗网站上使用感伤剂可提供社会互动功能[27］．在COVID-19大流行期间，纽约市卫生和精神卫生部门以及美国政府的官方推特账户广泛使用了宣传疫苗和推广COVID-19疫苗接种的言论呼吁[28，29］．

现有文献表明，关于在COVID-19大流行期间传播prov疫苗和抗疫苗信息的研究仍然有限。这项研究应用了一种称为细化可能性模型(ELM)的理论框架来探索可能吸引Twitter用户的消息特征。具体而言，其目的是(1)检验消息特征与转发可能性和数量之间的关联;(2)确定在分享消息的决策中中心和外围路线的相对重要性。因为社交媒体上关于疫苗的讨论在原疫苗和反疫苗社区之间两极分化[30.]，而且由于provaxxers和anti - vaxxers在Twitter上几乎没有互动[31]，我们推测，provaxxers主要分享prov疫苗信息，而反疫苗信息主要由反疫苗者分享。因此，我们使用了一组通用的消息特征，并分别在provvaccines和anti - vaccine消息上测试它们。然后，我们探讨了每种途径在2个不同组中的作用，并比较了provaxxers和anti - vaxxers对转发的决策是否相同。据我们所知，这项研究是第一个研究COVID-19疫苗立场推文传播与特征之间关系的研究。这些结果将有助于科学家、临床医生和政策制定者设计有效的信息来促进疫苗接种。

理论框架:精化似然模型

ELM是由Petty和Cacioppo在1986年开发的[32它是消费者研究和社会心理学中最受欢迎的说服模型之一。ELM认为，个体之间的态度变化和随之而来的行为变化可能由两种加工途径引起:中心路径和外围路径。中心路线要求个人在对目标行为做出明智的决定之前，对信息中的相关论点进行深入思考，并反思这些论点的相对优点和相关性。在决定在Twitter上转发推文的背景下，这种论点是指推文的信息内容，如信息的丰富性、论点的情绪和具体性。然而，外围路线涉及较少的认知努力。一个信息被接受或拒绝，没有任何批判性思维或有意识的思考。接收者仅仅依靠一般标准或与内容无关的特征，如信息源，来快速做出决定[33］．在决定是否转发推文中，这些线索包括推文收到的点赞数量，以及这条推文是否由经过验证的用户发布。ELM预测，通过中央路由处理做出的决策将比通过外围路由处理形成的决策更难改变。

ELM已被用于研究说服性沟通对在线评论态度和行为变化的影响[34]、健康资讯[35]，以及错误的评论[36］．利用ELM, Guo等[33]调查患者对移动医疗服务的持续使用意愿，Ju和Zhang [37]调查了影响患者持续使用网络诊疗的因素。ELM也被应用于解释用户在网上分享消费产品评论的决定[38]和社交网站的资料[39］．在健康传播领域，ELM模型有助于理解烟草包装警告标签的有效性[40]以及设计防止醉酒的外围信息[41］．尽管有各种实证研究，但ELM在传播COVID-19疫苗立场信息方面的应用仍然有限。

其他研究人员在没有应用ELM的情况下探索了消息内容对用户转发决策的影响。他们的发现揭示了争论情绪的影响。42，43]和标签[44］．没有应用ELM并专注于与内容无关的因素的研究也报告了积极的结果。来源可信度、来源吸引力和受欢迎程度[45影响转发决定。

在实践中，为了探索中心路线，本研究采用自然语言处理(NLP)技术构建内容相关变量。内容分析对这项研究很有用，因为它利用了从Twitter收集的及时和真实的消息，并允许我们确定对特定内容的实际响应(转发决策)。此外，与传统的内容分析方法(研究人员需要制定编码方案并训练编码员手动分析文本)相比，本研究中使用的算法内容分析有助于更快地分析在线话语中的大数据，并且规模更大[46］．或者，可以使用实验和调查方法来发现吸引用户的消息特征。然而，有人担心，这些方法广泛使用的方便抽样可能导致样本选择偏差，而且调查方法捕捉的是自我报告的行为，而不是实际的行为/反应[47］．

这项研究在很多方面都是原创的。我们将ELM的范围扩大到疫苗传播，并阐明了两种心理途径在分享支持和反对疫苗信息方面的相对重要性。我们发现，在是否共享抗疫苗信息的决策过程中，中心路线和外围路线都起着关键作用，而prov疫苗信息的传播主要由外围路线决定。这些发现有助于设计有效的信息，以促进COVID-19疫苗接种，并在社交媒体上接触不同的社区。此外，我们在中心路线中加入了一个新的变量，称为具体性，这在以前的ELM研究中没有明确考虑过。我们从解释水平理论(CLT)中借用了具体性结构[48，该理论认为，具体的词语有助于个体理解与相关物体或事件的心理接近程度。最初，CLT的发展是为了解释人们如何在具体或抽象的层面上思考一个事件。49，50］．CLT研究已经证明了自然语言能够启动具体或抽象的心态[51，52词汇具体性与心理接近性的关系[53］．通过加入具体性，我们不仅丰富了ELM，而且扩展了CLT在疫苗姿态信息传播中的应用。

方法

精化可能性模型

我们的实证分析集中在ELM的2条路径上，如图1．我们预计，当用户通过中心路径处理信息时，消息内容将是传播的关键预测因素，而当用户通过外围路径处理信息时，与内容无关的特征将是更重要的预测因素。中心路径由信息丰富度、论点情绪(情绪效价和情绪强度)和具体性变量组成。外围路径由信息社会影响力、信息源可信度和信息源吸引力等变量组成。

‎ 查看此图

研究设计、结果变量和数据收集

为了调查转发行为，对美国数据进行了横断面研究设计。结果变量为(1)prov疫苗推文或反疫苗推文(统称为“疫苗立场推文”)是否被转发;(2)疫苗立场推文被转发的次数。

我们使用R库(R Core Team和R Foundation for Statistical Computing)包rtweet［54]访问Twitter应用程序编程接口(API)服务，以收集2021年4月26日至8月26日期间与prov疫苗和反疫苗相关的推文。我们排除了非英语推文和地理位置在美国以外的推文。prov疫苗搜索关键词标签如下:#接种疫苗，#接种疫苗，#免疫，#注射，#接种疫苗，#疫苗接种，#疫苗接种，#疫苗安全，#疫苗工作，#vaxxed。以下术语被用于针对反疫苗推文:#反vaxx、#反vaxxer、#自然免疫、#新疫苗护照、#疫苗失败、#疫苗伤害、#疫苗谋杀、#疫苗中毒、#疫苗工作和#疫苗死亡。此外，我们还查看了与个人推文相关的用户id，并排除了同时发布支持和反对疫苗信息的用户。这减少了原始数据集中确定的约8.8%的疫苗立场推文。只包括在研究期间疫苗立场保持一致的用户，确保分析的推文传达了明确的立场。最后的样本由分别由57067和4308不同用户(作者)发布的141782条prov疫苗和8556条反疫苗推文组成。中给出了Twitter数据收集的流程图图2．

‎ 查看此图

预测因素:中央路线

信息丰富

我们通过使用两个衡量标准来操作一条推文的信息丰富性:话题标签的数量和提到的次数。标签是一个以#符号开头的单词，它被添加到帖子中以聚合同一主题的消息。在微博中，“提及”指的是另一个用户，并使用@符号，代表用户的积极互动[55］．在文献中，提及数被操作化为信息丰富度的子维度[56]，我们在这项工作中采用了类似的方法。

情绪效价与情绪强度

在心理学上，情绪效价是指在从不愉快到愉快或从消极到积极的连续统一体中表达的情感价值。57］．情绪强度是情绪在内容上的表达，表明主体性从无情绪(客观)到高度情绪化的水平[58］．我们操作了论证强度的这两个维度[43[TextBlob]59，60]，生成这些维度的分数。情绪效价的取值范围为−1到1，其中−1为极负，1为极正，0为中性。情绪强度值范围从0到1，其中0是高度客观的，1是高度主观的。多媒体附件1提供情绪效价和情绪强度的例子。例如，带有积极情绪/valance的推文通常包含积极的词汇，如“自然的”、“理所当然的”、“更好的”、“很好”、“好”和“健康的”。相反，负面配价的推文使用了负面词汇，包括“坏的”、“邪恶的”、“可怕的”、“犯罪的”、“病态的”、“非法的”和“痛苦的”。TextBlob为一组预定义字典中的所有单词分配单独的分数，并对一个句子中的所有情绪取平均值以生成最终的价差分数。研究表明，积极情绪与转发有很大关系。61］．

TextBlob是一个用于处理文本数据的Python库。它提供了一个简单的API，用于检查常见的NLP任务，如词性标记、名词短语提取、情感分析、分类和翻译。为了提取情绪效价(极性)和情绪强度(主观性)数据，我们对从每种疫苗姿态的最终分析语料库中汇集的数据集进行了处理。最初，我们使用Python函数NeatText，一个简单的NLP包，用于清洗文本数据和文本预处理;我们删除了用户处理程序、通用资源定位符(url)、标点符号、非美国信息交换标准代码字符、数字、超文本标记语言(html)标记、停止词、特殊字符、表情符号和多个空格。然后，我们使用TextBlob计算情绪效价和情绪强度的值。通常，数据以单词袋的形式提供，在为每个单词分配单个分数后，通过所有情绪的汇总来表示最终的情绪。TextBlob具有语义标签，便于细粒度的情感分析。给出了计算情绪效价和情绪强度的工作流程多媒体附件2．

具体性

具体性是沟通的一个方面，信息中提供的信息是高度描述性的、具体的和生动的;用户通常更依赖具体的措辞来做出决定[58］．研究表明，人们对具体词语的记忆比抽象词语更有效。62]以及具体的语言在影响用户行为方面更有说服力[61];因此，我们预计语言的具体性会在用户决定传播疫苗立场的推文中发挥作用。中给出了具体的例子多媒体附件1．

为了测量经过清理的推文的内容具体性，我们依赖于R包doc2concrete［63]，使用一本包含4万个常用英语单词和短语的字典[64］．具体分数的范围是0-5，其中0是抽象的，5是具体的。本词典的有效性和可靠性已在医疗环境中得到证实[65]以及网上评论[66］．此外，这本词典还包括医学领域的词汇。例如，“病毒”的具体性评分为3.48，而“疫苗接种”的具体性评分为4.24。我们通过中给出的工作流程计算具体性多媒体附件2．

预测因素:外围路由

信息社会影响

我们通过使用一条推文的“喜爱”数(即点赞数)来衡量信息的社会影响力。研究人员研究了从众效应下的信息社会影响及其相关概念，如从众行为和社会证明[45］．在实践中，我们对最喜欢的计数取平方根，以解决回归分析中因其规模大(从0到近3万)而导致的收敛问题。这种方法已被研究人员用于规范化倾斜分布。prov疫苗推文的喜爱计数从0到173.1，反疫苗推文的喜爱计数从0到100.5。我们还使用了其他归一化技术，包括z分数与最小-最大值归一化;然而，对于目前的模型，这些方法在最大似然估计的迭代过程中表现不佳。

来源可信度

一条推文的可信度取决于该推文是否来自状态已经过验证的用户[56］．Twitter使用身份验证机制来确保用户身份的真实性，经过验证的用户通过屏幕名旁边的蓝色勾来表示。因此，这个变量是二进制的，1表示值得信任的用户，0表示不值得信任的用户。研究人员注意到，来自经过验证的用户的推文比来自未经验证的用户的推文传播得更快[67］．

源的吸引力

Twitter用户可以关注任何其他用户，关注者的数量反映了该用户在现实世界中的地位。我们用关注者的数量来衡量信息源的吸引力。利用消息源吸引力的研究发现，用户的粉丝数量对推文的转发性有重大影响[39，56］．我们对变量进行对数转换，使其规模与其他预测因子相当。

回归分析和敏感性分析

我们分别对二进制转发结果和转发数进行了逻辑回归和广义负二项(NB)回归。广义NB扩展了NB平均色散模型，提供了参数化色散参数α的灵活性。我们指定log (α)是主模型中使用的相同协变量的线性函数。卡方检验拒绝了原假设，即散度函数中的协变量都没有预测能力(P<措施)。Akaike和Bayesian信息准则也表明广义NB优于NB模型(多媒体)．采用用户聚类夹心方差估计器(user-clustered sandwich variance estimator)来适应组内观察值的相关性，以改进回归系数的统计推断。由于疫苗立场推文是在多个时间点发布的，因此有必要考虑广义NB回归中的各种暴露。我们包括了日志转换的曝光变量，定义为从推文日期到研究期间的最后一天(2021年8月26日)的天数。相关系数矩阵(多媒体附件4)表明，除3个外围路由变量为中等相关(0.3 ~ 0.4)外，预测因子之间的相关性普遍较低。所有回归均使用Stata 16软件(Stata Corp Inc.)进行。

我们进行了敏感性分析，以验证结果是否适用于各种模型规格。首先，为了捕捉可能影响转发决策的常见趋势，我们在逻辑回归模型中包含了6月、7月和8月的月度二元变量。4月和5月的数据合并作为参照组;研究结果总结在多媒体．其次，为了避免结果受到异常值的影响，我们排除了转发量特别高的推文，以转发量最高的0.5%作为分界点。结果，转发次数超过83次的prov疫苗推文和转发次数超过325次的反疫苗推文被排除在外;结果见多媒体附件6．所有的分析表明，我们的回归结果在不同的模型规范中保持一致。

道德的考虑

分析Twitter帖子无法获得知情同意，因为Twitter帖子是公开的信息。

结果

摘要统计信息

模型变量的汇总统计数据显示在表1．关于prov疫苗和反疫苗的推文，转发率分别为28%和32%，平均转发数分别为3.16和8.86。这些发现与现有证据一致，即反疫苗者在推特上分享信息更活跃。20.］．抗疫苗推文的平均标签数量(3.18，标准差2.83)高于prov疫苗推文(2.82，标准差2.50)。prov疫苗推文的平均情绪效价得分为0.07 (SD 0.30)，反疫苗推文的平均情绪效价得分为0.03 (SD 0.28)，表明prov疫苗推文的积极情绪高于反疫苗推文。两组平均情绪强度评分相似(0.37,SD 0.34, 0.35, SD 0.33)。prov疫苗推文的平均具体得分为2.12 (SD 0.68)，反疫苗推文的平均具体得分为1.92 (SD 0.66)。prov疫苗推文的“赞”数的均方根为1.55(标准差3.41)，反疫苗推文的“赞”数的均方根为1.76(标准差4.56)。prov疫苗和反疫苗的信息分别约有6%和1%是由经过认证的用户发布的，这一比例相当低。这一发现与一项研究一致，即反疫苗信息是由未经验证的推特用户主导的[68］．prov疫苗推文的平均关注数为6.82(标准差2.06)，反疫苗推文的平均关注数为5.94(标准差1.98)。

中线预测

logistic回归和广义NB回归的结果在图3而且4,分别。所有回归分别对prov疫苗(绿色)和抗疫苗(红色)推文进行，以检查消息的特征，这些特征可能决定转发的可能性和数量。

额外的标签增加了13.3%的分享几率(95% CI 1.12-1.15，P <.001)和9.1%(95%置信区间1.06-1.12，P分别为provvaccines和anti - vaccine tweets的<.001)。额外提到(另一名用户)，分享prov疫苗推文的几率增加了3.1% (95% CI 1.01-1.06，P =.02)，但将反疫苗推文的转发率降低了10.2% (95% CI 0.84-0.96，P =.002)。情绪强度(主观性)得分增加1分，分享反疫苗推文的几率大幅降低了21.6% (95% CI 0.63-0.97，P =03)。最后，具体性得分每增加1分，分享反疫苗推文的几率就会大幅增加16.9% (95% CI 1.05-1.30，P =. 01)。

当结果变量为转发数时，我们得到了与转发可能性相似的结果。标签数量增加了prov疫苗的转发率(发病率比[IRR]=1.07, 95% CI 1.06-1.09，P <.001)和抗疫苗(IRR=1.08, 95% CI 1.05-1.11，P <措施)的微博。对于反疫苗推文，提及数使转发率降低了12% (IRR=0.88, 95% CI 0.83-0.93，P <措施);阳性效价使转发率大幅提高31.8% (IRR=1.32, 95% CI 1.03-1.69，P =.03)，情绪强度显著降低转发率20.5% (IRR=0.80, 95% CI 0.64-0.99，P =.04点)。关于prov疫苗的推文，具体性得分每增加1分，转发的发生率就会略微增加(IRR=1.06, 95% CI 1.00-1.12，P =.046)。

‎ 查看此图

‎ 查看此图

Peripheral-Route预测

与外围路由相关的结果显示在图3而且4分别为转发的可能性和数量。额外的平方根点赞数将prov疫苗和反疫苗信息的转发率提高了2.55倍(95%置信区间2.48-2.61，P <.001)和4.23 (95% CI 3.84-4.67，P <措施),分别。用户状态验证将prov疫苗信息的转发率大幅提高了45% (95% CI 1.26-1.67，P <措施)。关注者数量每增加1%，转发prov疫苗和反疫苗信息的几率增加30.7%(95%置信区间1.27-1.34，P <.001)和12.1% (95% CI 1.07-1.17，P <措施),分别。

广义NB模型显示，prov疫苗和反疫苗推文点赞数多1个平方根的点赞数为2.24 (95% CI 2.15-2.34，P <.001)和2.36(95%置信区间2.08-2.68，P <.001)倍的转发量。当作者是经过验证的用户时，两组的转发率都下降了(IRR=0.85[正面]，IRR=0.46[反面]，P =03 (pro),P =措施[反对])。相比之下，关注者数量增加了两组的转发率(IRR=1.28[赞成]，IRR=1.18[反对]，P <措施)。

讨论

主要研究结果

本研究应用ELM来调查与COVID-19疫苗立场相关的推文特征，这些特征与推特上转发的可能性和数量相关。关键的发现是，与内容相关的(中心路线)预测因子与反疫苗信息的转发量密切相关。具体而言，对于反疫苗信息，标签的数量与(转发的可能性和数量)正相关;积极效价与更高的转发数相关，具体性与转发可能性正相关，而提及次数和情绪强度与(转发的可能性和数量)负相关。关于prov疫苗信息，只有话题标签的数量与(转发的可能性和数量)呈强正相关;提及次数和具体程度与转发可能性呈正相关但弱相关。在与内容无关的(外围路线)预测因子中，点赞数和关注者数与prov疫苗和反疫苗信息的转发(可能性和数量)呈强正相关。

主要与反疫苗推文传播相关的中心路线预测器

ELM预测，如果接收人处理信息的愿望或能力较高，他们将使用中央路径，并花更多时间考虑他们的决定。在这种情况下，如果反疫苗信息主要由反疫苗者分享，那么我们发现的中央路径预测因子与反疫苗信息传播之间的强关联可能意味着，反疫苗者在做出转发决定时更多地依赖于认知线索，而不是provaxxers。特别是，积极情绪、低情绪强度(客观内容)、具体的词语大大增加了反疫苗推文的传播。这些结果值得关注，因为它们与普遍的看法相冲突，即反疫苗者是非理性的，被负面情绪和抽象口号所吸引。69-71］．

具体程度与反疫苗信息传播之间的正相关关系可能可以通过反疫苗信息创作者使用的策略来解释，这些策略具体说明了COVID-19疫苗造成的危害。具体来说，如果反疫苗信息包含具体的词语，那么它可能会激励读者分享一个描述性的、具体的和事实的疫苗立场信息。然而，当涉及到在prov疫苗信息中使用具体词语时，情况就不一样了，在本研究中，这对读者分享疫苗立场信息的影响很小。

信息系统文献在电子口碑传播研究中的效价(正价和负价)研究结果不一致[39，42，56］．一项研究表明，与积极效价相比，消极效价对在线分享消费产品评论的影响更大[38］．我们的工作提供了额外的证据，表明情绪效价主要对转发反疫苗信息有积极影响。此外，情绪强度(主观性)与反疫苗信息传播之间的负相关支持了现有的研究[39]，这也表明情绪强度对信息分享行为有负面影响。

在信息丰富性方面，我们发现标签增加了prov疫苗和反疫苗推文的传播，这与之前的研究结果一致[39］．提及另一个用户对反疫苗信息的传播有轻微的负面影响，这与表明提及对信息共享有负面影响的结果是一致的[39］．一种可能的解释是，在反疫苗的信息中，提及被用来引用prov疫苗的使用者，这是不受反疫苗者群体欢迎的。

与prov疫苗和Antivaccine推文传播相关的外围路线预测器

点赞数(喜爱数)衡量社会影响力。在所有模型中，它始终表明与疫苗立场推文的传播呈正相关。这一发现可以用从众效应来解释，即人们会追随一种趋势，而不管潜在的证据。这一趋势在抗疫苗使用者中比在prov疫苗使用者中更强烈，可能是因为他们希望融入反疫苗者的群体[72］．现有研究表明，强烈的社区意识是促使反疫苗接种运动取得成功的关键因素[20.］．

在provaccine模型中，验证用户状态与转发之间的关联不一致;在反疫苗模型中，验证用户状态与转发数呈负相关。这与我们的假设相矛盾，即来自经过验证的用户的推文更有可能被转发。对这一趋势的一种可能解释是，两组验证用户的百分比都很低(prov疫苗组和抗疫苗组分别为6%和1%)。预测因子变化很小，这使得拟合回归线很困难。此外，数据显示，与未验证的用户相比，经过验证的用户获得了更多的点赞，拥有更多的粉丝;3个变量之间存在相关(相关系数为0.3 ~ 0.4)。当我们排除喜爱数或关注者数量时，在所有prov疫苗推文模型中，验证用户状态与转发数呈正相关，在一个反疫苗推文模型中(多媒体)．

信息源吸引力(关注者数量)与传播prov疫苗和反疫苗信息均有正相关。文献表明，追随者越多，信息传播的概率越高[39］．

使用社交媒体开展COVID-19疫苗接种运动的建议

这项研究为如何加强COVID-19疫苗接种运动提供了一些见解。首先，为了促进provaxxine信息的传播，政策制定者可以考虑关注外围路线预测因素(与内容无关的特征)，例如增加他们的推文的受欢迎程度，与拥有许多粉丝的provaxxxers接触，并在Twitter上获得更多粉丝。此外，为了利用中心路线预测器，政策制定者可能会在他们的信息中使用更多的标签。在预防疫苗的信息中使用具体的词语也可能会增加该信息收到的转发次数，尽管在这项研究中这样做的影响很小。

其次，由于情绪积极、内容客观、用词具体的反疫苗推文更容易传播，政策制定者应关注具有此类特征的反疫苗信息。此外，关注那些有很多赞和粉丝的反疫苗推文可能至关重要，因为这些推文可能会被广泛传播。研究表明，反疫苗信息的传播是由强大的影响者推动的[20.］．

限制

这项研究有几个局限性。首先，尽管推特很受欢迎，但它的用户是经过挑选的人群，可能不能代表美国的总体人口。由于标签的使用有限，推文的识别可能是不完整的。其次，由于推特有严格的政策，从其平台上删除疫苗错误信息推文，我们的数据集可能是有限的。第三，我们研究了用户在面对一条特定推文时的转发决定。我们无法确定转发这些疫苗立场信息的人，因此我们无法确定他们的疫苗立场。尽管大多数人转发的信息与他们自己的原则是一致的，但有些人可能会转发与他们的信念相矛盾的信息。在另一项Twitter研究中讨论了这一限制[9]，在解释结果时应加以考虑。第四，本研究采用内容分析，没有考虑图像和表情符号的影响。在一篇文献综述中，我们发现研究人员在预处理和清理疫苗消息文本数据时删除了表情包，以研究Twitter上的多个主题，例如在线疫苗辩论[73]、儿童防疫意见[74]，美国对新冠疫苗的看法[75]，以及有关COVID-19疫苗的主要主题和专题[76］．根据类似的文献，我们从Twitter文本语料库中删除了表情包，以分析我们的传播模型。然而，表情符号可以通过与文本推文一起提供有用的信息来丰富我们的发现。未来的研究可以考虑将表情符号纳入实证分析。最后，1项研究利用来自Twitter帖子的数据，比较了TextBlob、VADER和word2vec双向长短期记忆(Word2Vec-BiLSTM)模型的情绪结果。结果表明，与Word2Vec-BiLSTM相比，TextBlob提供了更少的积极情绪，但与VADER相比提供了更多的积极情绪。60］．尽管TextBlob在Twitter数据中广泛应用于情感分析[77，78]，使用不同的工具来验证情绪效价将有助于证实本研究的主要发现。

结论

这项研究确定了COVID-19疫苗立场推文的特征，这些特征与转发的可能性和数量相关。这是通过应用ELM和检查涉及转发决策的两种心理路径来实现的。这项研究的一个主要发现是，反疫苗信息的传播与信息内容(中央路线处理)相关的特征密切相关，包括情绪效价和强度。然而，信息内容与prov疫苗信息传播的关联要弱得多。我们发现，prov疫苗信息的传播主要由与内容无关的特征决定，如点赞和关注者的数量。