营养与COVID-19信息大流行中营养师和推特用户的信息分享行为:推特内容分析研究

简介

背景

2020年1月7日，中国卫生部门正式宣布2019年新型冠状病毒引起的疾病出现[1或SARS-CoV-2，一种新型冠状病毒[2］．2020年3月11日，世界卫生组织宣布COVID-19为大流行[3.]，截至2022年3月24日，感染导致全球470,223,960例确诊病例和6,094,326例死亡[4］．COVID-19的特征是咳嗽和发烧[5到严重肺炎和中枢神经系统损伤[6］．除了长时间的COVID-19可能带来的长期健康后果外[7]，引致严重的社会及经济影响[8］．迄今为止，COVID-19疫苗是唯一能够建立对SARS-CoV-2免疫的人造产品(与感染诱导免疫相反)[9］．

大流行从一开始就引发了多项研究，因为迫切需要临床数据来面对和抗击感染[10］．值得研究人员关注的一个研究领域与COVID-19与营养之间的联系有关。事实上，人们对某些与营养相关的健康状况(即糖尿病、肥胖和心血管疾病)感到担忧，因为这些可能会增加人们患严重COVID-19的风险[11］．此外，营养物质、食物和其他类型的补充剂在免疫和炎症方面所起的作用已经得到了广泛的研究。例如，Iddir et al [12]研究了某些营养素和植物化学物质在减少氧化应激和炎症中的作用，并强调了最佳营养状态对免疫的重要性。此外，大流行还使个人发生了与粮食和营养有关的变化，包括与粮食安全有关的变化[13)、体重(14，以及饮食习惯[15］．这些新数据促使卫生组织就COVID-19大流行期间应遵循的适当饮食习惯和营养护理制定了建议和指南[16，17］．

与此同时，社交媒体也同样被用作卫生信息的来源和传播卫生建议的平台[18］．更具体地说，是微博网站Twitter，它允许粉丝实时交流280个字符的推文[19]，被认为是一个有用的公共卫生工具，用于分享与卫生有关的信息并与公众互动。事实上，它已被卫生专业人员用来提供信息、教育人们、分享最新情况、传播新的研究成果，并提高公众对营养、传染病和卫生紧急情况等卫生问题的认识[20.，21］．然而，人们对Twitter等社交媒体上信息的可靠性和准确性提出了担忧。18］．

事实上，最近，COVID-19大流行在证明社交媒体是如何有益和有害方面发挥了重要作用。大流行导致了世界卫生组织所说的“信息流行病”，即线上和线下信息过剩，这些信息可能是真的，也可能是假的。尽管信息流行病的特征不仅仅是虚假信息，但它肯定有助于其传播。这种情况可造成不同的后果，包括损害身心健康、增加羞辱和冲突以及不遵守公共卫生措施[22］．此外，在大流行之初，推特受到了批评，因为在该平台上传播的虚假信息大多没有经过核实[23］．然而，微博服务已做出努力，以反击误导性信息[24］．在进一步讨论之前，应该区分虚假信息的类型。虚假信息包括misinformation和disinformation。虽然前者是无意的，但后者是故意的，目的是造成伤害[25］．这两个术语将在本文中联合使用，因为可以假设这两个术语都发生了，但确定虚假信息共享背后的意图并不是本研究目标的一部分。

自大流行开始以来，营养学受到了研究人员、官方卫生组织和普通民众的关注。与此同时，类似的社交媒体帖子也在增加，有可能错误信息和虚假信息也到达了其中一些传播平台。知道了这一点，一些信息来源，包括非专业人士，可能是不可靠的，并可能导致关于营养相关主题的错误信息和虚假信息的扩散和传播。相反，营养师被认为是营养专家，在寻求食物和营养方面的信息时应优先考虑[16］．将营养师和一般推特用户与营养相关推文进行比较，有可能支持在使用推特时保持谨慎的必要性，因为在大流行开始时，该微博网站上出现了信息大流行和未经核实的信息[22，23]，以及强调营养师在社交媒体上的重要作用。此外，据我们所知，只有少数研究记录了与营养和COVID-19相关的错误信息或虚假信息。然而，这些研究集中在营养的特定方面，如增强免疫力的说法[9，26］．

社交媒体对行为的影响

研究人员已经开始探索关于COVID-19的社交媒体出版物如何影响意图、行为和对病毒的保护[27-29］．更具体地说，al - dmour等人表明，使用社交媒体平台，包括Facebook、Instagram和Twitter，通过公共卫生意识和公共卫生行为变化的中介效应，导致公众免受感染[29］．这些结果支持了社交媒体出版物对用户的潜在影响。尽管如此，与食物和营养相关的行为还没有从这个意义上进行研究。此外，鉴于在推特中可以找到错误信息和虚假信息，探索出版物中有意无意使用的因素是很重要的，因为它们可能会潜在地影响行为。为此，行为改变理论模型可以用来强调这些因素，以及理解行为改变。此类模型还被用于构建社交媒体干预措施，旨在修改与健康相关的行为，如接种疫苗[30.］．其中一个模型，理论领域框架(TDF)，最初是为了解决有过多的理论模型和结构的问题，旨在解释行为变化[31]，最常用于包括卫生保健在内的一系列环境中的实施研究，即确定实施循证行为的促进因素和障碍，或设计干预措施[32］．最近，TDF也被应用于社交媒体出版物的内容分析，以确定解释COVID-19疫苗犹豫的因素[33，从而为探索社交媒体的行为改变潜力提供了一种策略。

研究目标和问题

本研究的目的是通过分析新冠肺炎疫情期间注册营养师(rd)和推特用户的营养相关推文，比较他们在信息大流行期间的信息分享行为。为此，我们比较了两组推文的主题、产生的用户参与度、内容准确性以及推文是否包含行为改变因素。为此，我们阐述了一些需要回答的研究问题。研究问题在本质上通常是探究式的，更适合探索性研究，因为在这种研究中，可用的数据太少，无法提出假设[34，正如在这项研究中一样。研究问题如下:

1.就讨论的主题而言，营养师的推文和公众的推文有什么不同?

2.营养师的推文和公众的推文在从用户那里获得的参与度方面有什么区别?

3.营养师的推文和公众的推文在内容准确性上有什么区别?

4.就他们使用的TDF域而言，营养师的推文和公众的推文之间有什么区别?他们的推文是否会影响行为?

方法

概述

本研究的方法可分为两个阶段，即分析前程序和分析，如图1．

‎ 把这个图

营养师的Twitter账号识别

为了识别我们的加拿大和美国注册营养师的Twitter账户样本，加拿大营养师会员博客列表[35(截至2020年10月n=56)和美国营养博客网络作者目录[36(截至2020年10月，n=1049)。对这两个目录进行检查，以创建一个rd列表(n=641)，其中包括它们的名称、网站标题和Twitter句柄。在这一名单中，有16个rd因暂停帐户或私人帐户而被排除在外。最终的名单总共包含了625个推特账户。详细介绍了步骤图2．

‎ 把这个图

标签和关键字识别

预先确定了2561个与COVID-19相关的标签和关键词，41个与营养相关的标签，以及16个与两者相关的标签，用于过滤来自公众和rd的推文(如“冠状病毒”、“#免疫”、“#covid饮食”、“#健康”和“#营养”)。识别标签和关键字的方法受到了之前研究的启发[37-39］．首先，该榜单是基于在Facebook、Instagram和Twitter上对与COVID-19、营养或两者相关的话题标签和关键词的搜索构建的。第二，文学丰富了它的内涵。39-45]及网上搜寻[46-49］．两个网站，Tagdef [46和besthashtags [47，通常用于查找当前的热门话题标签。“COVID-19与营养”、“COVID-19与营养”、“冠状病毒与营养”和“冠状病毒与营养”等术语被用来获取与这些主题相关的话题标签。此外，用营养、COVID-19和推特相关的词汇搜索文献，以找到包含相关话题标签的研究。最后，我们对每个关键词和标签进行验证，以确保其相关性。

数据收集

为了被纳入分析，推文必须用英语撰写，讨论COVID-19时期营养的至少一个方面，并在2019年12月31日至2020年12月31日之间发表。2019年12月31日是中国卫生部门首次报告武汉出现不明急性呼吸道疾病病例的日子[1］．相反，没有书面内容或没有补充资料链接的出版物被排除在外。使用Twitter高级应用程序编程接口(API)分两步收集tweet，该API允许访问Twitter存档。我们收集了出版日期、作者姓名、描述和原产国(如果有的话)，以及点赞数、回复数和转发数。此外，来自Twitter用户的推文被过滤，以避免在子样本中出现我们列表中的rd。

因此，第一步包括使用预先确定的话题标签和关键字列表收集数据，结果是公众组有6670条推文，营养师组有4627条推文。在修改了每组的子样本后，我们观察到，只有26.0%的公众推文和41.4%的营养师推文分别与营养和COVID-19有关。预先确定的话题标签和关键词列表因此得到了丰富，使我们的数据更具体地针对COVID-19和营养。首先，使用与COVID-19相关的推文/营养来自我们的2个修订的子样本(见第1步)图3)， 2名编码人员注意到了所有关于营养和COVID-19/营养的标签和关键词，这些标签和关键词没有在我们预定的列表中(例如，#减肥和# covid烘焙)。其次，这些标签和关键词是由332个涉及营养的话题标签和关键词组成的新列表，另有18个涉及COVID-19和营养。然后，在第二步中，公众和营养师的样本被提交到使用这个包含350个标签和关键词的列表进行最后的过滤。这一过程允许生成两个更特定于COVID-19和营养的样本。详细介绍了步骤图3．

‎ 把这个图

考虑到与这类数据收集相关的困难[50]并认为重要的是不要降低数据的代表性，因此同意不再进一步迭代数据集。最终样本总共包含了4210条推文(RDs: n=1914;公众:n = 2296)。这2296条公开推文由1043名用户发布。在编码过程中，仍然与COVID-19和营养完全无关的推文被记录下来，但没有进行分析。通常情况下，当推特包含关于COVID-19的标签或关键词，而不是专门关于营养的时候，就会发生这种情况，比如下面这个例子:“[…]#需要孩子#艺术之家#StatHomeStayCreative #冠状病毒提示。”因此，在营养师组的1914条推文中，1417条被包括在下面描述的最终分析中。对于公众组，分析了2296条推文中的1469条。因此，两组共有2886条推文。当相关内容可以通过推文中的链接获得时，它也被编码为推文的一部分。

分析

研究问题1:主题

信息大流行在社交媒体上引发了多次讨论，这可能会减少获取可靠信息的机会[51］．确定在Twitter上讨论的关于营养和COVID-19的主题有助于确定哪些主题需要通过可靠的营养信息来源或多或少地加以解决。主题是表示要分析的类别的信息模式[52］．进行这项分析是为了确定有关营养和与covid -19相关的信息流行的主题(rd和公众)。编码员遵循基于类似研究方法的迭代过程，归纳地创建主题码本[53，54］．首先，2名团队成员(EC和LJC)各自根据Twitter用户发布的100条推文的评论，详细阐述了主题列表。其次，将公共主题放在一起创建初始码本。第三，由于编码员之间存在差异，每个编码员都审查了rd发布的相同50条tweet，这导致了最初代码本的改进。第四，尚未达成一致意见的主题由可持续发展委员会确定。然后，建立了包含16个主题的代码本。第五，在第一轮信度编码后，删除了“Stress and Anxiety”主题，将“Physical Activity”主题改为“Other Lifestyle Habits”。它被认为与解决与covid -19相关的生活方式习惯有关，但由于它们不是特定于营养，因此决定将它们重新组合为一个主题。最后建立了一个包含15个非互斥主题的代码本，并由相同的2名调查人员使用它对2886条推文进行分类。饱和是通过确定所有主题至少一次被提及的点来确定的，在营养师组105条推文和公众组71条推文之后达到饱和。 The theme frequency was compared between groups. Based on the tweet publication date, the frequency was also determined in the first 2 waves of the pandemic (first: December 31, 2019, to July 31, 2020; second: August 1, 2020, to December 31, 2020) and compared between waves. To render a more precise description and comparison of themes, statistics were used to compare theme frequencies between groups.

研究问题2:用户粘性

公众不一定是可靠的营养信息来源，而营养师被认为是可靠的来源。当公众成员在他们的职位上比他们的专家同行产生更多的参与度时，这可能会出现问题。为了从读者的角度了解某些主题是否比其他主题更受欢迎，研究人员根据与tweet相关的点赞数、回复数和转发数来评估主题产生的用户参与度。更具体地说，对于两个子样本，分别计算每个主题的单个tweet的点赞、回复和转发的平均数。然后将这些方法在两组之间进行比较，以确定某些主题是否在一组中比另一组更受欢迎。此外，还计算了营养师在其年度出版物中与COVID-19和营养相关的推文的比例，以评估他们自己在推特上的对话参与程度。

研究问题#3:内容准确性

为了确定推文内容的准确性，从而揭示错误信息的存在，2名团队成员(EC和LJC)将2886条推文与关于COVID-19的循证营养和食品相关建议进行了比较。首先，通过网络搜索，建立了一个涵盖COVID-19和营养相关主题的可靠和专家来源的建议数据库，如加拿大营养师、加拿大卫生部和营养和饮食学会。然而，当一条推文的内容过于具体而无法与上述推荐进行比较时，就有必要使用更专业的信息来源(如PubMed和Mayo Clinic)。例如，以下这条推文的内容无法在我们的推荐数据库中找到:“如果你的身体在大流行期间碰巧发生了变化，那可能是因为压力[…]。”第二，在编码过程中，编码人员阅读推文，并使用一条或多条与推文特定内容相关的可靠建议来验证其信息。如果它的内容与建议一致，就被认为是准确的。如果内容与建议有任何不同，就被认为是不准确的。因此，推文被分为准确、不准确和不适用。当由于以下一个或多个原因而无法确定推文的准确性时，就会使用“不适用”这一类别:(1)推文是在分享一个食谱或饮食想法，(2)它被表述为一个问题，(3)它报告了研究结果，(4)它被认为是一个非科学的声明或观点。在这项研究中，虽然有关COVID-19和营养的研究结果可以与其他研究进行比较，这些研究是仍在开发的证据的一部分，但它们包括新出现的数据，而不是应遵循的建议或建议。 Moreover, they are too preliminary and specific to their study’s methodology and population to be compared against nutritional recommendations about COVID-19. Moreover, although opinions or nonscientific declarations can be based on unsupported claims, for this study, it was decided that they could not be evaluated for accuracy. Indeed, this category could include tweets related to, for instance, what the users ate that day, a new nutrition-related habit they developed during the pandemic, or words of encouragement for workers in the food industry. As the evaluation went on from April through July 2021 and was then based on the current and available recommendations at that time, it is possible that the categorization would be different at the time when this paper has been written or published. Nevertheless, we made sure to use the most up to date information by regularly verifying updates in recommendations and available documentation. Saturation, which was determined by identifying the point where the 3 possible categorizations had been coded at least once, was reached after 25 tweets for the dietitian group and 13 tweets for the public group. Finally, the frequencies of accurate and inaccurate tweets were compared between groups. The frequencies of the nonapplicable categorization and of the 4 reasons why a tweet’s accuracy could not be evaluated were also compared between groups. Moreover, further analyses were performed to compare the numbers of accurate and inaccurate mentions for each theme, so as to bring out those more frequently inaccurate than accurate.

研究问题#4:TDF域

根据错误信息和虚假信息采取行动可能会产生有害的影响。因此，为了验证推文是否会潜在地影响读者的行为，2个团队成员(EC和LJC)使用TDF的第二个版本[32］．TDF不作为整个研究的理论透镜，而只是进行分析，旨在确定推文是否携带可能影响个人行为的因素。据我们所知，TDF此前只被应用于推文一次[33]，因此是一个有待探索的新应用。表1提出了14个领域，反映了影响行为的认知、情感、社会和环境因素及其描述。之所以选择这种行为改变框架，是因为它有助于在编码过程中进行分类，因为可以在tweet中识别不同的域。此外，TDF非常全面，因为它基于与行为改变相关的33个理论和128个理论构建[55］．因此，该模型对分析广泛的行为是有用的，这是本研究的情况。

这14个域并不相互排斥。饱和是通过确定所有域至少被处理过一次的点来确定的，营养师组在发布54条推文后达到饱和，公众组在发布13条推文后达到饱和。各组间比较各区域的频率。探索性分析还揭示了每个主题的最频繁和最不频繁的域。

最后，为了在个体编码过程中保持结果的一致性，确定了编码间的一致性(intercoder agreement)，即衡量由不同编码者分配给数据集的代码的相似程度[56］．因此，执行了第一轮可靠性编码，2个编码人员(EC和LJC)根据上述3个内容分析分析了来自每个组的100条tweet，之后编码人员会面建立共识。由于一些主题和领域的分数太低，第二轮的可靠性编码完成了，两名编码人员分别分析了来自每个组的50条推文，并再次会面以建立共识。由于主题和领域的得分令人满意，大家同意可以开始编写代码。卡帕分数显示在表2．Kappa分数在0.61到0.80之间表明程序员之间的基本一致，而在0.81到1.00之间的分数则被解释为几乎完全一致[57］．对于样本的其余部分，两名团队成员分别对营养师组的850条和914条推文进行编码，其中包括1轮100条推文的可靠性编码。他们还分别对来自普通公众组的1000条和1146条推文进行了编码，其中包括两轮100条推文的可靠性编码。

统计分析

统计分析在SAS OnDemand for academic (SAS Institute Inc)中进行。一个P值≤0。(2边)被认为是显著的。研究中经常选择这种意义级别[58］．的P值是一种概率，用来衡量群体之间的差异是由偶然引起的可能性[59］．卡方检验用于比较两组之间和两波大流行之间的主题频率。卡方检验还用于比较TDF域的频率、准确/不准确分类以及组间不适用的原因。对每个主题的不准确提及和准确提及的频率进行了卡方检验。当至少一个单元格包含少于5个数据点时，使用Fisher精确检验而不是卡方检验[60］．营养师和公众之间每条推文的点赞、回复和转发量的差异通过非参数版本的t连续数据的秩和检验，即Wilcoxon秩和检验，因为数据非正态分布且样本是独立的[61，62］．

道德的考虑

Université拉瓦尔研究伦理委员会免除了该项目的伦理审查，因为分析已完成，内容公开。然而，为了保持Twitter用户的匿名性，没有给出完整的tweet示例。

结果

研究问题1:主题

在这项研究中发现的关于营养和COVID-19的主题数量支持了这一事实，即信息大流行也达到了这一主题。表3显示两组讨论每个主题的次数。在我们的样本中，食品杂货、饮食和饮食模式分别是营养师(271/1417,19.1%)和公众(507/1469,34.5%)最常讨论的主题。此外，两组之间发现了许多差异。例如，减肥是公众比营养师更经常讨论的主题(106/1469,7.2% vs 24/1417, 1.7%;P<措施)。相反，营养学家比公众更频繁地关注免疫健康(177/1417,12.5% vs 87/1469, 5.9%;P<措施)。

对该大流行病前两波的主题进行比较后发现，没有一个主题在第二波中比第一波更频繁地被讨论。事实上，83.0%的营养师的推文是在第一波期间发布的。减肥(P=.03)、烹饪及食谱(P<.001)，特定食物(P=.03)、食物贴士及建议(P= .003)、食品(P<.001)和卫生保健系统(P<.001)在第一波中出现的频率高于第二波。至于公众，他们在第一波推文中发布了93.7%的推文。食物贴士及建议(P<.001)，外表(P= 0.02)、饮食和饮食模式(P=.03)在第一波比第二波更频繁。这些结果表明，第一波浪潮普遍比第二波浪潮引发了更多的讨论。

研究问题#2:社交媒体参与

表4-6显示组之间每个主题的平均转发数、回复数和点赞数的比较。研究结果显示，营养师的每条推文收到的转发数一直高于公众。相反，公众每条推文的回复比营养师多。然而，每条推文很少有超过一条的回复，这表明读者很少使用回复来显示他们在两个群体中的参与度。此外，回复和转发的参与度取决于群组而不是主题，点赞的参与度则根据主题在群组之间有所不同。事实上，当营养师谈到减肥、免疫健康、食物支持和食物系统、营养和补充剂，以及食物提示和建议时，更受欢迎，因为其他生活方式习惯在公众的推特上引起了更多的兴趣。此外，据观察，在营养师在1年期间发布的73323条英语推文中，只有1417条(1.9%)与COVID-19和营养有关。最后，两组之间的追随者数量没有差异。在营养师组中，转发数和关注数没有关联(r= 0.04;P=.16)，而点赞数和关注数之间存在关联(r= 0.12;P<措施)。

研究问题#3:内容准确性

内容准确性分析揭示了错误信息的存在，但主要是在公众的推文中。事实上，与公众的推文相比，营养师的推文准确的比例更高(P<措施)。对于营养师来说，在总计575条可评估准确性的推文中，532条(92.5%)是准确的。至于公众，在382条推文中，有250条(65.5%)是准确的。表7显示每个主题准确和不准确推文数量的比较。减肥被认为是有问题的，因为不准确的推文比准确的推文更多。所有其他的差异都有利于准确性。

此外，842条(59.4%)营养师的推文和1087条(74.0%)公众的推文被认为不适用于准确性评价。更具体地说，在4个原因中有3个原因导致了两组之间的差异。首先，食谱或饮食想法在公众推特上的分享频率高于营养师的推特(332/1087,30.5% vs 205/842, 24.4%;P= .003)。其次，当推文被表述为问题时，组间没有发现差异。第三，研究结果在营养师的推特中比在公众的推特中更频繁地被报道(118/842,14.0% vs 8/1087, 0.7%;P<措施)。第四，观点或非科学声明在公众推文中分享的频率高于营养师的推文(806/1087,74.2% vs 551/842, 65.4%;P<措施)。

研究问题#4:TDF域

表8显示组在他们的推文中使用每个TDF域的次数。在这两种情况下，都是TDF域技能是使用最多的，尽管营养师使用频率似乎高于公众(612/1417,43.2% vs 529/1469, 36.0%;P<措施)。两组之间还显示出了其他差异。此外，研究发现，在两组中，环境背景和资源，更具体地说，大流行是采取诸如在家锻炼或调整饮食等特定行为的重要因素。

表9描述每个主题引用最多和最少的域。这揭示了与每个主题或主题类别相关的TDF领域，并可能被用于鼓励与所述主题或类别相关的行为。一般来说，与体重管理相关的主题(减肥、身材外观、饮食和饮食模式)与目标、环境背景和资源相关。与食品和补充剂相关的主题(烹饪和食谱、免疫健康、特定食物、酒精消费、营养和补充剂)大多与知识、技能、环境背景和资源相关。此外，这三个TDF领域(知识、技能、环境背景和资源)与食品和卫生保健系统的主题(食品支持和食品系统、食品杂货和卫生保健系统)同样相关。最后，与生活方式习惯相关的主题(食物过量消费、食物提示和建议、食物变化和其他生活方式习惯)更常与技能、环境背景和资源以及行为规范配对。因此，例如，在尝试减肥时可以考虑设定目标，或者可以实施技能发展来鼓励烹饪。

讨论

主要研究结果

这项研究发现，营养师的推文和公众的推文在他们讨论的主题、他们从用户那里获得的参与度、他们使用的TDF域以及他们的内容准确性方面存在差异。

在讨论频率更高的主题上，两组之间存在差异。食品杂货是营养师谈论最多的话题。免疫健康、食物支持和食物系统、食物提示和建议、杂货店和卫生保健系统在这组中也比在公共组中更频繁。相反，公众组最感兴趣的是讨论饮食和饮食模式，而减肥、特定食物、酒精消费、食物过量消费、饮食和饮食模式以及其他生活方式习惯在这一组中比在营养师组中更突出。

事实上，人们已经对杂货店的安全措施、食品账单和改变的食品供应提出了担忧。63]，后者甚至导致粮食短缺和价格上涨[64］．此外，自大流行开始以来，营养诱导免疫已在文献中得到广泛讨论。然而，网上和社交媒体上关于“增强免疫力”的帖子助长了错误信息和虚假信息的传播[9，26］．因此，这可能被营养师认为是需要卫生专业人员解决的两个关注领域。此外，来自推特用户的结果并不令人意外，因为这些主题在大流行期间一直是人们关注的主题。例如，在加拿大魁北克省进行的一项成年人调查显示，43%的参与者对体重相关的担忧增加了[15］．此外，不同研究报告了大流行期间饮食模式和选择以及酒精消费的变化[13，65，就像体重和身体活动的变化一样[66，67］．

此外，正如预期的那样，各波之间的专题分析表明，关于营养和COVID-19的大多数讨论发生在第一波期间，但对营养师的讨论更多。这些结果得到了其他研究的支持。例如，2020年1月至10月期间，谷歌关于COVID-19与葡萄酒、生姜、5G网络传播和太阳的搜索趋势一般在2020年3月和4月达到峰值[68］．同样，中国社交媒体上关于COVID-19错误信息的帖子在2020年2月和3月达到峰值，然后在2020年5月缓慢下降[69］．疾病的新奇、担忧、突然的兴趣、焦虑、对信息的需求以及适应不同寻常环境的必要性可能推动了谈话。

此外，与我们的预期相反的是，在3种类型的用户粘性反应中，并没有显示出总体的主题受欢迎程度，因为根据主题，只有群组之间的点赞数量不同。与汉德等人的研究相反[37]，当个体rd没有收到他们心力衰竭相关推文的转发时，营养师的转发数在这项研究中相当高。营养师不断收到更多的转发，公众也收到更多的回复。转发行为在一定程度上可以用营养师的权威来解释，这与他们对食物和营养的准确了解有关。70］．此外，尽管关注者数量可能会潜在地影响营养师更高的转发值和高可变性[70]，组间追随者数无差异。此外，在营养师组中，转发和关注者价值之间没有关联，点赞和关注者价值之间只有微弱的关联。类似地，哈里斯等人[38的研究表明，在他们的研究中，关注者的数量与转发或点赞无关。在他们的研究中，答复的差异不能用分析的任何预测因素来证明。虽然结果好坏参半，但考虑到营养师获得了更多的转发，转发传播呈指数级，在发现差异的地方，除了一种情况(即其他生活方式习惯)，营养师获得的点赞数都比公众多，它们仍然是有希望的。研究营养相关推文的参与因素和反应类型的差异是优化营养师推文兴趣的必要条件。

与其他使用TDF分析营养或COVID-19具体方面的研究不同，该模型在本文中发挥了不同的作用，因为在推特中评估了多种营养和COVID-19相关行为。因此，所有的域名都被处理了，这表明推特可能有助于行为的改变。此外，各组之间也存在差异。然而，总的来说，关于TDF的文献大多关注特定群体实施各种行为的促进因素和障碍，这与本研究的使用方法不同，使得群体比较变得困难。例如，关于COVID-19疫苗吸收的研究表明，与TDF知识领域、对后果的信念、环境背景和资源、社会影响和情感相关的主题解释了犹豫[33，而促进因素则存在于对结果的信念中[71］．此外，另一项研究发现，14个TDF域中的13个解释了护士的身体活动和饮食行为[72］．这些因素与这项研究中的因素相比较，进一步表明推特可以部分影响行为。尽管如此，障碍和助推器是群体和行为依赖的，可能不适用于这种情况。因此，有必要研究在大流行时期实施特定营养相关行为(如杂货店购物习惯)的障碍和促进因素，以确定应该如何使用推文来影响行为。

此外，很大一部分推文被认为不适合准确性评估，这可以解释为，推特是一种“快速分享一个人在哪里，正在做什么，在想什么，或感觉什么”的手段[73］．因此，特别是在公众的情况下，它仍然可能不会自发地用于分享可验证的事实和指导方针。这就提出了一个问题，即Twitter是寻求健康、营养和流行病相关信息的最有用还是最有害的平台。然而，正如预期的那样，对于那些经过评估的推文，与公众的推文相比，营养师关于营养和COVID-19的推文的准确性更高。以前就有证据表明，营养师的博客文章的质量和准确性高于非营养师的博客文章[74，尽管在社交媒体上进行这种比较的研究还不多。这项研究首次揭示了营养师和公众在社交媒体发帖准确性方面的差异。

实际意义

内容准确性结果支持营养师在大流行期间分享可靠的营养信息方面的作用。卫生和政府机构应在健康危机期间利用其宝贵的专业知识，即通过确定在社交媒体上活跃的营养师并与他们合作。这种合作还可以使营养学家更持续地参与到推特上的COVID-19和营养讨论中，并参与到其他与营养相关的情况和条件中。

此外，小组讨论的主题的差异、点赞形式的参与和主题的不准确性揭示了应该优先考虑的主题，进一步讨论，并让营养师更有吸引力，以对抗公众潜在的不准确推文。例如，其他生活方式习惯如果由公众讨论，读者会更感兴趣，而减肥的推文更不准确。描述关于营养和COVID-19的对话，对于让其他卫生专业人员帮助营养师减少推特上的错误信息和不实信息同样有必要。

同样，了解每个群体采用的行为改变因素有助于确定社会媒体干预措施的方向，旨在采用有利的大流行相关做法。为此，它优先考虑与最流行的决定因素(如技能)相关的行为改变技术，进一步整合往往较少使用的技术或被认为是类似行为的促进因素和障碍的技术，并考虑到大流行作为在很大程度上影响行为的社会环境因素这一事实。

最后，对两波推文频率的比较表明，大多数关于COVID-19和营养的对话发生在大流行的头几个月。因此，应该尽早努力对抗错误信息和虚假信息。如果不支持一条虚假信息，一旦它开始广泛传播，纠正它就变得很重要。75，76］．这强调了做好准备的重要性，即建立及时的社交媒体干预措施，不会让读者的信息过载，以及鼓励Twitter等平台在危机发生时及早准备好采取应对措施的重要性。

限制

这项研究并非没有局限性。首先，尽管用于收集和验证推文的方法非常严格，但一些关键词和话题标签并不特定于COVID-19或营养，而只是与之相关(如口罩、消毒剂和健康)。这导致数据收集可能非常敏感，但不够具体。然而，在编码过程中，推文被手动过滤，只保留与研究主题相关的推文。因此，收集推文时应该使用较少的COVID-19和营养相关词汇。在开始数据收集之前，确实应该反复检查关键字列表[50］．其次，我们对TDF的使用不同于之前在研究中使用的TDF。因此，没有类似的方法可用来通知我们的模型编码，这可能会改进，鉴于较低的初始kappa分数。例如，Griffith等人将推文按几个主题分类，然后将这些主题映射到TDF [33］．第三，码本中的主题数量和分配给给定tweet的主题数量应该受到限制，以减少编码员之间的可变性。第四，RD样本可能不能代表加拿大和美国以外的营养师群体。同样，虽然采用了一种有效的策略来识别rd，但使用加拿大营养师会员博客列表和营养博客网络作者目录可能会排除相对大量活跃在Twitter上的营养师。最后，可能是卫生专业人员，包括营养师，是公众样本的一部分，这可能会潜在地影响准确性结果。尽管如此，我们还是确保公众组中没有我们样本中的营养师。

结论

这项研究揭示了来自加拿大和美国的rd和推特用户在COVID-19和推特上的营养信息流行中的信息分享行为。在讨论的主题、TDF域的使用、内容准确性和生成的用户参与度方面发现了差异。需要这样的研究和结果来支持由营养师以及各自领域的其他专门卫生专业人员领导的、实际的、及时的、以理论为依据的社交媒体干预措施的作用，以鼓励健全的、循证的大流行相关做法和行为。