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[ 1］．学者们发现，人们很容易受到微博网站上发表的与疫苗相关的观点文章的影响。例如，对疫苗的犹豫与社交媒体上的反疫苗运动密切相关[ 2， 3.］．因此，了解在社交媒体网站上传播的预防接种和反疫苗信息至关重要。世界卫生组织呼吁更加重视信息流行病学，这是专门研究通过电子媒介传播信息的科学研究领域[ 4- 6］．这项研究调查了疫苗立场信息的哪些特征可能导致传播，以及预防疫苗信息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接种信息，并确定可能有影响的反疫苗信息。

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，它在全球拥有3.97亿活跃用户[ 7］．微博网站在推广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，在追随者中传播信息，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调查公众对疫苗接种的意见[ 9， 10］．最近，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，许多工作都用于确定对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的负面影响[ 19］．Germani和Biller-Andorno的一篇论文[ 20.]的报告称，与provaxxers相比，反疫苗接种者发的推文更少，但在Twitter上更多地参与讨论(通过回复或转发)。

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)[ 21］．这些口头呼吁已用于政治运动、保健问题、筹资、促进技术产品和接种疫苗[ 22- 26］．在 公报》， logos的呼吁已广泛应用于疫苗接种策略[ 26］．人们发现，在反疫苗网站上使用感伤词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和美国政府官方推特账户广泛使用言辞呼吁疫苗传播和推广COVID-19疫苗接种[ 28， 29］．

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[ 30.，而且由于接种疫苗者和反接种者在Twitter上几乎没有互动[ 31，我们推测，提供疫苗的信息主要由提供疫苗者分享，而反对疫苗者主要分享反疫苗信息。因此，我们使用了一组通用的消息特征，并分别对provvaccine和anti - vaccine消息进行了测试。然后我们探索了每条路径在两个不同的组中的作用，并比较了provaxxer和anti - axxer对转发的决策是否相同。据我们所知，这项研究是首次研究COVID-19疫苗立场推文的传播与特征之间的关联。研究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，以促进疫苗接种。

ELM是由佩蒂和卡乔波在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提出，个体之间的态度变化和随之而来的行为变化可能是由两种加工途径引起的:中心路径和外围路径。中心路线要求一个人在对目标行为做出明智的决定之前，深入思考信息中的相关论点，并反思这些论点的相对优点和相关性。在决定在Twitter上转发的背景下，这种论点指的是推文的信息内容，如信息丰富性、论点情感和具体程度。然而，外围路线需要较少的认知努力。接受或拒绝信息没有任何批判性思维或有意识的思考。接收方仅依靠一般标准或与内容无关的特征(如信息源)快速做出决定[ 33］．在决定是否转发时，这些线索包括该推文收到的点赞数，以及该推文是否由经过认证的用户发布。ELM预测，通过中央路线处理做出的决策将比通过外围路线处理形成的决策更难改变。

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[ 34]，健康状况信息[ 35，以及虚假评论[ 36］．在ELM上绘图，郭等[ 33]调查患者对流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断和治疗的因素。ELM也被用于解释用户在网上分享消费产品评论的决定[ 38]及社交网站的资料[ 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]和设计预防醉酒的周边信息[ 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定的影响。他们的研究结果揭示了争论情绪的影响。 42， 43和话题标签[ 44］．没有应用ELM和关注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次数[ 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[ 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/回应[ 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[ 48，该理论认为，具体的语言有助于人们理解心理上与相关物体或事件的接近性。最初，CLT被开发出来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引导具体或抽象的思维模式[ 51， 52词汇具体性和心理接近性的关系[ 53］．通过结合具体性，我们不仅丰富了ELM，而且扩展了CLT在疫苗立场信息传播中的应用。

我们的实证分析集中在ELM的两种路径上，如 图1．我们预计，当用户通过中心路由处理信息时，消息内容将是传播的关键预测因素，而当用户通过外围路由处理信息时，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性、论点情感(情感效价和情感强度)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。

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 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日期间与预防接种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。疫苗搜索词标签如下:#接种疫苗，#接种疫苗，#免疫，#注射，#接种疫苗，#接种疫苗，#接种疫苗，#接种疫苗，#疫苗安全，#疫苗工作，#接种疫苗。以下术语被用来针对反疫苗推文:#反疫苗，#反疫苗，#自然免疫，#新疫苗接种，#疫苗失败，#疫苗受伤，#疫苗谋杀，#疫苗是毒药，#疫苗不工作，#疫苗死亡。此外，我们查看了与单个tweet相关的用户id，并排除了同时发布支持和反对疫苗消息的用户。这减少了原始数据集中识别的疫苗立场推文约8.8%。只纳入在研究期间疫苗立场保持一致的用户，确保所分析的推文传达了明确的立场。最终的样本由分别由57067和4308不同用户(作者)发布的141782条provvaccine和8556条反vaccine的tweet组成。推特数据收集流程图如下 图2．

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( P<措施)。Akaike和贝叶斯信息准则也表明广义NB优于NB模型( 多媒体附录3)．采用用户聚类夹心方差估计，可适应组内观察值的相关性，改进回归系数的统计推断。由于疫苗立场推文是跨越多个时间点发布的，因此有必要在广义NB回归中考虑各种暴露。我们包括了日志转换的暴露变量，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( 多媒体附录4)表明，除3个外围路线变量为中度相关(0.3 ~ 0.4)外，各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 多媒体附件5．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，使用转发量最高的0.5%作为分界点。结果，转发次数超过83次的预防疫苗推文和转发次数超过325次的反疫苗推文被排除在外;详见 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格中保持一致。

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 表1．对于预防接种疫苗和反疫苗的推文，28%和32%被转发，平均转发数分别为3.16和8.86。这些发现与现有证据一致，即反疫苗接种者在推特上分享信息更活跃[ 20.］．抗疫苗推文的平均标签数(3.18,SD 2.83)高于provvaccine推文(2.82,SD 2.50)。普防疫苗推文的情绪效价平均得分为0.07 (SD 0.30)，反疫苗推文的情绪效价平均得分为0.03 (SD 0.28)，说明普防疫苗推文的积极情绪高于反疫苗推文。两组患者平均情绪强度评分相近(0.37,SD 0.34, 0.35, SD 0.33)。普罗维茨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)。“点赞”数的平均平方根，provvaccine是1.55 (SD 3.41)，反vaccine是1.76 (SD 4.56)。大约6%的预防疫苗信息和1%的反疫苗信息分别是由认证用户发布的，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］．普罗维茨疫苗推文的平均关注数为6.82 (SD 2.06)，反疫苗推文的平均关注数为5.94 (SD 1.98)。

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provvaccine(绿色)和antivaccine(红色)推文运行，以检查可能决定转发可能性和数量的消息特征。

一个额外的标签增加了13.3%的分享几率(95% CI 1.12-1.15， P <.001)和9.1% (95% CI 1.06-1.12， P<.001)，分别为provacine和antivaccine推文。额外提到(另一名用户)增加了3.1%的分享普罗维辛推文的几率(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)分数增加1分，分享反疫苗推文的几率大幅降低21.6% (95% CI 0.63-0.97， P =03)。最后，具体得分每增加1分，分享反疫苗推文的几率大幅增加16.9%(95%置信区间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。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， 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);阳性效价显著增加了31.8%的转发率(IRR=1.32, 95% CI 1.03-1.69， P =.03)，情绪强度显著降低了20.5%的转发率(IRR=0.80, 95% CI 0.64-0.99， P =.04点)。对于疫苗推文，具体度分数每增加1分，转发推文的发生率就会略微增加(IRR=1.06, 95% CI 1.00-1.12， P =.046)。

与外围路由相关的结果在 图3而且 4分别表示转发的可能性和数量。每增加一个平方根点赞数，就会增加2.55倍的转发率(95% CI 2.48-2.61， P <.001)和4.23 (95% CI 3.84-4.67， P <措施),分别。对用户状态的验证大大增加了45%的疫苗信息转发几率(95% CI 1.26-1.67， P <措施)。关注者数量每增加1%，转发provvaccine和antivaccine信息的几率就增加30.7% (95% CI 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)， P <.001)和2.36 (95% CI 2.08-2.68， P <.001)倍的转发量。当作者是验证用户时，两组的转发率都下降了(IRR=0.85[赞成]，IRR=0.46[反对]， P =03 (pro), P =措施[反对])。相比之下，关注者数量增加了两组转发的发生率(IRR=1.28[赞成]，IRR=1.18[反对]， P <措施)。

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。 69- 71］．

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[ 39， 42， 56］．一项研究表明，消极效价比积极效价对分享消费产品在线评论的影响更大[ 38］．我们的工作提供了更多的证据，情绪效价对反疫苗信息的转发主要有积极影响。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研究[ 39这也表明了情绪强度对信息分享行为的负面影响。

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[ 39］．提及另一个用户对反疫苗信息的传播有微小的负面影响，这与表明提及对信息共享有负面影响的结果一致[ 39］．一个可能的解释是，在反疫苗信息中，提及被用来引用接种疫苗的用户，这是不受反疫苗人群欢迎的。

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[ 72］．现有研究显示，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( 多媒体附件7)．

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[ 39］．

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[ 20.］．

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[ 9，并应在解释结果时加以考虑。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疫苗信息文本数据的预处理和清理过程中删除了表情符号，以研究Twitter上的多个话题，如在线疫苗接种辩论[ 73]，儿童疫苗接种意见[ 74，美国的COVID-19疫苗情绪[ 75]，以及关于COVID-19疫苗的主要主题和专题[ 76］．在类似的文献中，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，表情符号可以丰富我们的研究成果，与文本推文一起提供有用的信息。未来的研究可能会考虑将表情符号纳入实证分析。最后，1项研究利用Twitter帖子数据，比较了TextBlob、VADER和word2vecc双向长短期记忆(word2vecc - bilstm)模型的情绪结果。结果表明，与word2vecc - bilstm相比，TextBlob提供的积极情绪更少，但与VADER相比提供的积极情绪更多[ 60］．尽管TextBlob在Twitter数据上的广泛应用用于情绪分析[ 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。

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。