这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布,该协议允许在任何媒体上不受限制地使用、分发和复制,前提是必须正确引用在JMIR信息流行病学上首次发表的原始作品。必须包括完整的书目信息,https://infodemiology.www.mybigtv.com/上的原始出版物链接,以及版权和许可信息。
微博上关于接种疫苗立场的信息可能会影响读者是否接种疫苗的决定。理解社交媒体上与COVID-19有关的预防接种和反疫苗信息的传播至关重要;然而,这方面的研究仍然有限。
本研究应用精细似然模型(ELM)探讨可能吸引推特用户的疫苗立场信息特征。首先,我们研究了疫苗立场推文的特征与转发的可能性和数量之间的关联。其次,我们确定了在分享信息的决策过程中,中心路线和外围路线的相对重要性。
在2021年4月26日至8月26日期间,分析了来自美国的含有provvaccine和antivaccine标签的英文推文(N=150,338)。采用Logistic和广义负二项回归预测转发结果。与内容相关的中心路线预测器通过使用话题标签和提及的数量、情绪效价、情绪强度和具体程度来测量。与内容无关的外围路由预测器是通过点赞和关注者的数量以及来源是否为经过验证的用户来测量的。
内容相关特征在决定是否转发反疫苗信息方面发挥了突出作用。特别是正效价(发病率比[IRR]=1.32,
反疫苗信息的传播既有内容相关的特征,也有内容无关的特征。相比之下,疫苗信息的传播主要是由与内容无关的特征驱动的。这些发现表明了利用外围途径促进疫苗接种信息传播的重要性。具有积极情绪、客观内容和具体文字的反疫苗推文更容易被传播,因此政策制定者应重视具有此类特征的反疫苗推文。
各国政府一直在推广COVID-19疫苗接种,将其作为预防感染和死亡的一项关键战略。高传染性的omicron变种的广泛传播使得疫苗接种覆盖率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的感染[
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,它在全球拥有3.97亿活跃用户[
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调查公众对疫苗接种的意见[
另一类文学作品专注于有说服力的信息吸引力,包括logos(论点的事实/逻辑)、pathos(论点的情感)和ethos(作者的可信度)[
现有文献表明,关于COVID-19大流行期间预防接种疫苗和反疫苗信息传播的研究仍然有限。本研究应用了一个被称为细化似然模型(ELM)的理论框架来探索可能吸引Twitter用户的消息特征。具体来说,其目的是:(1)检验消息特征与转发可能性和转发数量之间的关联;(2)确定在分享消息的决策中中心路由和外围路由的相对重要性。因为社交媒体上关于疫苗的讨论在接种疫苗群体和反疫苗群体之间两极分化[
ELM是由佩蒂和卡乔波在1986年开发的[
ELM被用于研究有说服力的沟通对在线评论态度和行为变化的影响[
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定的影响。他们的研究结果揭示了争论情绪的影响。
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,并允许我们识别对特定内容的实际响应(转发决定)。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人员手动分析文本)相比,本研究中使用的算法内容分析有助于更快地分析来自在线话语的大数据,并且具有一定的规模[
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,并阐明了在分享支持和反对疫苗信息的两种心理途径的相对重要性。我们发现,在是否共享反疫苗信息的决策过程中,中心和外围路由都起着关键作用,而疫苗信息的传播主要由外围路由决定。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,这是以前ELM研究没有明确考虑过的。我们从解释水平理论(CLT)中借用了具体性构念[
我们的实证分析集中在ELM的两种路径上,如
ELM:传播支持和反对疫苗推文的中心和外围途径。ELM:细化似然模型。
为了调查转发行为,横断面研究设计应用于美国的数据。结果变量为:(1)接种疫苗或反疫苗推文(统称为“疫苗立场推文”)是否被转发;(2)接种疫苗立场推文被转发的次数。
我们使用了R库(R Core Team和R Foundation for Statistical Computing)包
收集预防接种疫苗和反疫苗推文的数据。此流程图说明了来自美国的疫苗立场推文的最终数据集的数据收集和清理。我们过滤了转发并保留了在整个研究期间对疫苗持有一致立场的原始用户的推文。绿色表示预防疫苗推文的数量,红色表示每一步中保留的反疫苗推文的数量。API:应用程序编程接口。
我们通过使用两个指标来操作推文的信息丰富度:话题标签的数量和被提及的数量。hashtag是一个以#符号开头的单词,它被添加到帖子中以聚合相同主题的消息。在微博中使用@符号的提及指的是另一个用户,代表活跃的用户交互[
在心理学中,情绪效价指的是在一个从不愉快到愉快或从消极到积极的连续过程中表达的情绪价值[
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,我们处理了从每个疫苗姿态的最终分析语料库汇集的数据集。最初,我们使用Python函数
具体性是指信息中所提供的信息具有高度的描述性、具体性和生动性。用户通常更依赖于具体的措辞来做决定[
为了测量经过清理的tweet的内容具体程度,我们依赖于R包
我们通过使用推文的“喜爱”计数(即点赞数)来衡量信息社会影响力。研究人员研究了从众效应下的信息社会影响和相关概念,如从众行为和社会证明[
推文的可信度取决于该推文是否来自状态已被验证的用户[
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受欢迎程度。我们用追随者的数量来衡量信息源的吸引力。利用信息源吸引力的研究发现,用户的关注者数量对推文的转发性有重大影响[
我们分别对二进制转发结果和转发数进行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。我们指出,α的对数是主模型中使用的相同协变量的线性函数。卡方检验拒绝原假设,即离散函数中的协变量都没有预测能力(
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共同趋势,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。合并4月和5月的数据作为参照组;研究结果总结在
由于Twitter帖子是公开信息,因此无法获得分析Twitter帖子的知情同意。
模型变量的汇总统计在
provvaccine和antivaccine模型变量摘要。
模型变量 | Provaccine tweet (N = 141782) | 反对疫苗接种的tweet (N = 8556) | |||||||||||
|
意思是(SD) | 最低 | 最大 | 意思是(SD) | 最低 | 最大 | |||||||
|
|||||||||||||
|
是否转发(0/1) | 0.28 (0.45) | 0 | 1 | 0.32 (0.47) | 0 | 1 | ||||||
|
转发数 | 3.16 (60.87) | 0 | 12500年 | 8.86 (99.72) | 0 | 5141 | ||||||
|
|||||||||||||
|
数量的标签 | 2.82 (2.50) | 1 | 32 | 3.18 (2.83) | 1 | 35 | ||||||
|
提到的数量 | 0.72 (1.47) | 0 | 24 | 0.70 (1.23) | 0 | 14 | ||||||
|
情绪效价评分(-1至1) | 0.07 (0.30) | 1 | 1 | 0.03 (0.28) | 1 | 1 | ||||||
|
情绪强度得分(0-1) | 0.37 (0.34) | 0 | 1 | 0.35 (0.33) | 0 | 1 | ||||||
|
具体评分(0 - 5) | 2.12 (0.68) | 0 | 4.59 | 1.92 (0.66) | 0 | 3.74 | ||||||
|
|||||||||||||
|
信息社会影响力:点赞数(平方根) | 1.55 (3.41) | 0 | 173.12 | 1.76 (4.56) | 0 | 100.5 | ||||||
|
源可信度:经过验证的用户(0/1) | 0.06 (0.24) | 0 | 1 | 0.01 (0.12) | 0 | 1 | ||||||
|
来源吸引力:关注者数量(log) | 6.82 (2.06) | 0 | 16.55 | 5.94 (1.98) | 0 | 12.83 | ||||||
|
曝光一个(日志) | 3.20 (1.01) | 0 | 4.81 | 3.39 (1.16) | 0 | 4.81 |
一个暴露的定义是,从发布推文日期到研究期间的最后一天(2021年8月26日)的天数。
logistic回归和广义NB回归的结果在
一个额外的标签增加了13.3%的分享几率(95% CI 1.12-1.15,
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。话题标签的数量增加了两种疫苗的转发率(发病率比[IRR]=1.07, 95% CI 1.06-1.09,
疫苗立场信息是否被转发的逻辑回归结果。该图说明了与疫苗姿态信息的不同特征相关的估计OR。绿色表示预防接种推文(N= 141782),红色表示反疫苗推文(N=8556)。水平线代表95% CI;中间的圆点表示系数的估计值。采用了用户聚类三明治方差估计。或:优势比。
转发数的广义负二项回归结果。该图说明了与疫苗姿态信息的不同特征相关的估计irr。绿色表示预防接种推文(N= 141782),红色表示反疫苗推文(N=8556)。水平线代表95% CI;中间的圆点表示系数的估计值。采用了用户聚类三明治方差估计。将暴露纳入模型,系数约束为1。IRR:发病率比率。
与外围路由相关的结果在
广义NB模型表明,provvaccine和antivaccine推文点赞数多1个的平方根数为2.24 (95% CI 2.15 ~ 2.34),
本研究应用ELM研究了与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有关。关键发现是,与内容相关(中心路径)的预测因子与反疫苗信息的转发密切相关。具体来说,对于反疫苗信息,话题标签的数量与转发(可能性和数量)呈正相关;正向效价与更高的转发数相关,具体性与转发的可能性正相关,而提及的次数和情绪强度与转发的可能性和数量负相关。关于疫苗信息,只有话题标签的数量与转发(可能性和数量)有很强的正相关;提及次数和具体程度与转发可能性呈正相关,但呈弱相关。在与内容无关(外围路线)的预测因子中,点赞数和关注者数与普罗维茨疫苗和反疫苗信息的转发(可能性和数量)呈强正相关。
ELM预测,如果接收者有很高的意愿或处理信息的能力,他们会使用中央路线,并花更多的时间来考虑他们的决定。在这种情况下,如果反疫苗信息主要由反疫苗者分享,我们发现中心路线预测因子和反疫苗信息传播之间存在很强的关联,这可能意味着反疫苗者在做出转发决定时,比提供疫苗者更依赖认知线索。特别是,情绪积极、情绪强度低(客观内容)、文字具体的反疫苗推文大大增加了传播。这些结果值得关注,因为它们与反疫苗者是非理性的、被负面情绪和抽象口号所吸引的普遍看法相冲突。
具体性和反疫苗信息传播之间的正相关可能由反疫苗信息创建者使用的策略来说明COVID-19疫苗造成的危害来解释。具体来说,如果反疫苗信息包含具体的词汇,那么它很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,在疫苗接种信息中使用具体词汇时,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。
信息系统文献包含了电子口碑研究中价价(正面和负面)不一致的发现[
在信息丰富性方面,我们发现话题标签增加了预防疫苗和反疫苗推文的传播,这与之前的研究结果一致[
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,即人们追随一种趋势,而不考虑潜在的证据。这一趋势在抗疫苗使用者中比在普罗维安使用者中更强烈,可能是因为他们希望融入反疫苗者的群体[
在prov疫苗模型中,验证用户状态和转发之间的关联是不一致的;在抗疫苗模型中,验证用户状态与转发数呈负相关。这与我们的假设相矛盾,即来自认证用户的推文更有可能被转发。对这一趋势的一个可能解释是,两组经核实的使用者的百分比都很低(在接种疫苗组和抗疫苗组分别为6%和1%)。预测因子变化不大,使得拟合回归线困难。此外,数据显示,与未经验证的用户相比,经过验证的用户获得了更多的点赞和关注者;3个变量进行相关分析(相关系数为0.3 ~ 0.4)。当我们排除喜爱数或关注数时,在所有的provvaccine推文模型和1个反vaccine推文模型中,验证用户状态与转发呈正相关(
来源吸引力(关注者数量)与传播预防疫苗和反疫苗信息呈正相关。文献表明,拥有众多追随者会导致信息传播的更高概率[
这项研究为如何加强COVID-19疫苗接种运动提供了几点见解。首先,为了促进疫苗信息的传播,政策制定者可以考虑将重点放在外围路线预测因素(与内容无关的特征)上,例如增加他们的推文的受欢迎程度,与拥有许多关注者的provaxxers接触,并在Twitter上获得更多关注者。此外,为了利用中央路线预测器,政策制定者可能会在他们的信息中使用更多的标签。在建议信息中使用具体的词汇也可能增加该信息收到的转发数量,尽管在这项研究中这样做的效果很小。
第二,由于反疫苗推文具有积极的情绪、客观的内容和具体的文字更容易被传播,决策者应该关注具有这些特征的反疫苗信息。此外,关注那些有很多赞和粉丝的反疫苗推文可能是至关重要的,因为这些推文很可能被广泛传播。研究表明,反疫苗信息的传播受到强大影响者的推动[
这项研究有几个局限性。首先,尽管Twitter很受欢迎,但它的用户是经过挑选的群体,可能不能代表美国的总体人口。由于标签的使用有限,tweet的识别可能不完整。其次,因为Twitter有一个严格的政策,从其平台上删除疫苗错误信息的推文,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。我们无法识别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都符合他们自己的原则,但有些人可能会转发与他们的信念相悖的信息。这一限制在另一篇推特研究中已经讨论过[
这项研究确定了与转发可能性和数量相关的COVID-19疫苗立场推文的特征。这是通过应用ELM和检查涉及转发决策的两种心理途径来实现的。本研究的一个主要发现是,抗疫苗信息的传播与信息内容(中央路径处理)相关的特征(包括情绪效价和强度)密切相关。然而,信息内容与预防接种信息的传播之间的关联要弱得多。我们发现,疫苗信息的传播主要是由与内容无关的特征决定的,比如点赞和关注者的数量。
支持和反对疫苗推文的情感效价、情感强度和具体情况的例子。
计算情绪效价、情绪强度和具体程度的工作流程。
采用赤池信息准则(AIC)和贝叶斯信息准则(BIC)进行模型选择。
支持和反疫苗模型中变量的相关系数矩阵。
一条消息是否被转发的逻辑回归,包括月份指标。
不包括转发量特别高的疫苗相关推文,使用转发量最高的0.5%作为分界点。
支持和反疫苗模型的回归结果,不包括点赞数或关注数。
应用程序编程接口
双向长、短期记忆
解释水平理论
详尽可能性模型
发病率比
负二项
自然语言处理
优势比
我们感谢匿名审稿人对我们手稿的仔细阅读和深刻的评论。该研究由国立阳明交通大学防疫研究中心和台湾国立中山大学智能电子商务研究中心合作完成。我们感谢科技部、RCEP-NYCU和ECRC-NSYSU的赠款支持。
此外,作者Y-CY感谢台湾教育部高等教育萌芽计划框架下的特色区域研究中心项目对智能电子商务研究中心的资金支持。
没有宣布。