原始论文
摘要
背景:2021年是接种COVID-19疫苗的一年,这在普通民众中引发了更广泛的讨论,一些人支持接种疫苗,一些人反对接种疫苗。人气社交媒体平台Twitter在提供新冠疫苗信息方面发挥了重要作用,在观察公众反应方面发挥了有效作用。我们关注了来自日本和印度尼西亚的推特,这两个国家有大量的推特用户,对副作用的担忧一直被认为是疫苗犹豫的一个重要原因。
摘要目的:该研究旨在调查Twitter如何被用于报告疫苗相关的副作用,并比较由辉瑞和Moderna在日本和印度尼西亚开发的两种信使RNA (mRNA)疫苗的副作用提及情况。
方法:我们使用日语和印度尼西亚语的关键词,从推特上获取了2021年1月1日至2021年12月31日与COVID-19疫苗及其副作用相关的推文数据。然后我们删除了发推频率高的用户,并将来自多个用户的推文合并为一句话,以专注于用户级别的分析,结果总共有214,165名用户(日本)和12,289名用户(印度尼西亚)。然后,我们过滤数据,选择只提到辉瑞或Moderna的推文,删除同时提到两者的推文。我们将副作用计数与辉瑞和Moderna公布的公开报告进行了比较。然后,使用逻辑回归模型比较辉瑞和Moderna疫苗在每个国家的副作用。
结果:我们观察到,在公开报道和推特之间,副作用的比例存在一些差异。具体来说,在推特上提到发烧的频率比基于公开报告的预期要高得多。我们还观察到来自日本和印度尼西亚的辉瑞和Moderna疫苗报告的副作用的差异,在日本的推文中报道的辉瑞疫苗的副作用更多,而在印度尼西亚的推文中报道的Moderna疫苗的副作用更多。
结论:我们注意到Twitter上的疫苗副作用监测和信息传播可能产生的后果,因为发烧似乎被过度代表了。这可能是由于发热可能具有更高的严重性或可测量性,并进一步讨论了影响。
doi: 10.2196/39504
关键字
简介
背景
疫苗接种已被提议作为遏制和结束COVID-19大流行的解决方案之一[
- ].在疫苗广泛部署之前,早期的一项推特民意调查显示,公众对疫苗接种的情绪大多是积极的,许多人表示他们将寻求接种疫苗,尽管人们一直对疫苗的安全性感到担忧[ ].然而,公众仍然关注这些问题,包括安全性、疫苗开发异常迅速以及注射后可能出现的副作用等问题[ ].在2021年初与疫苗相关的搜索趋势中也观察到了这些,当时所产生的副作用被确定为一个重大关切领域[ ].疫苗的推出引起了公众的各种反应,支持或反对疫苗接种。伯内维等人[
]调查了2020年大流行之前和大流行中期的疫苗接受情况,发现在后者期间推特上反对疫苗的声音更强烈。在Lyu等人的研究中,这一趋势出现了逆转。 他通过话题建模和情绪分析在推特上研究了公众对COVID-19疫苗的看法和反应,发现早期关于疫苗的讨论源于疫苗的开发阶段,之后公众情绪倾向于积极的展望。作为当今最受欢迎的社交媒体平台之一,Twitter已被广泛用作COVID-19信息流行病学的研究来源(见[
]),以通过该平台进行流行病监测的现有文献为基础。例如,在流感的情况下,Twitter已被用作估计个人诊断的检测工具[ ]以及作为社会监测,作为发现疫情的早期预警工具[ ].尽管推特对流行病学监测研究有用,但也有局限性,例如在COVID-19大流行早期错误信息的传播[ 可能会对这些数据产生偏见。在这篇论文中,我们提出,通过关注日本和印度尼西亚的辉瑞和Moderna疫苗,Twitter也可以以类似的方式用于监测COVID-19疫苗接种的副作用。对COVID-19疫苗接种的态度
大多数关于COVID-19疫苗接种和推特的研究都集中在对疫苗接种的总体集体态度上。马塞克和利奇[
]对提到阿斯利康、辉瑞和Moderna的英文推文进行了基于词法的情绪分析,发现对辉瑞和Moderna的情绪总体上比对阿斯利康的情绪更积极。萨塔尔和阿里夫扎曼[ ]分析了有关COVID-19疫苗接种意识的公众情绪的推文,发现尽管疫苗有副作用,但仍有强烈的积极情绪。郭等人[ ]使用潜在狄利克雷分配主题模型,识别澳大利亚新冠肺炎疫苗接种相关推文中的主题,并对推文进行情绪分析,发现积极情绪推文的数量仅略高于负面情绪推文的数量,从而引发了对疫苗广泛接受的担忧。然而,这些研究大多以西方和英语为样本,对非英语语言的推文缺乏类似的研究。在这篇论文中,我们重点研究了日本和印度尼西亚的关于广泛使用的信使RNA (mRNA)疫苗的推文。这两个太平洋岛国拥有大量Twitter用户(全球Twitter用户排名前十[
])。由于日语和印尼语在各自的国家广泛使用[ , ],它提供了一个相对可控的环境来观察每个国家特有的模式。这允许将Twitter的使用情境化,以便在更广泛的社会中添加解释和行为分析,特别是在这次大流行中。2021年,全球范围内采用了COVID-19疫苗。日本于2021年2月开始为卫生保健工作者接种疫苗,于2021年4月开始为老年人接种疫苗[
].2021年6月接种率开始迅速上升,并继续上升,直到2021年底,80%以上的人完全接种了疫苗[ ].与此同时,印度尼西亚于2021年1月开始接种疫苗,重点是卫生保健工作者,其次是老年人和公职人员,最后是普通公众[ ].虽然早期的疫苗接种运动使用冠状病毒和阿斯利康疫苗,但在2021年8月,该国开始使用Moderna和辉瑞疫苗作为疫苗和助推器。到2021年底,印度尼西亚46.7%的人口全面接种了疫苗。在两种文化中发现的疫苗犹豫背后的一个关键背景是副作用的作用。在日本,除了性别、生活安排、经济地位和心理问题等其他因素外,对不良副作用的担忧可以说是犹豫接种疫苗的主要原因[
].还发现,疫苗犹豫症在年轻一代中明显比在年长一代中更为常见[ ].与此同时,在印度尼西亚,对疫苗安全性的担忧、对疫苗的不信任以及对副作用的担忧被确定为疫苗犹豫的几个常见原因[ ].由于推特已被用于识别COVID-19的症状[ ],我们在本文中提出,它也可以用于检查COVID-19疫苗接种的副作用。此外,通过将Twitter上的副作用计数与辉瑞和Moderna疫苗三期临床试验报告的副作用率进行比较,我们可以观察到Twitter特有的副作用信息传播模式(例如,在Twitter上提及副作用时,副作用的比例是过高、适当还是过低)。这些结果可能会决定Twitter对疫苗副作用监测的有用性,或者说明该平台上存在的错误信息偏见。最后,我们研究了在不同国家的推文中发现的辉瑞和Moderna疫苗的副作用报告是否存在差异。这是因为在这两个国家,关于疫苗(和特定生产商)副作用的公开研究仍然有限,据我们所知,只有Kitagawa等人的一项研究[
]通过自我报告的数据比较了日本现有的Moderna和辉瑞疫苗的副作用。对日本和印度尼西亚分别进行了分析。方法
数据
微博收藏
为了了解日本和印度尼西亚对疫苗接种运动的公众意见,可以使用日文(ja)和印尼文(id;)是2021年1月1日至2021年12月31日(UTC)期间收集的。该搜索查询包含疫苗和副作用的关键词,并排除了转发(见
).在这两个国家使用的所有疫苗中,我们将查询限制在Moderna和Pfizer,因为这两种疫苗都在这两个国家使用。虽然阿斯利康的疫苗也在这两个国家使用,但在日本就不那么常见了,而且在公共领域有各种各样的名字代表,所以相关的推文更难获得。所有数据均使用Python Twarc库(2.8.3版本)获得,用于Twitter的学术研究访问[
].由于推文配额的限制限制了对大量日本推文的访问,我们无法获得只提到“疫苗”或只提到“副作用”的推文。因此,用于日文和印尼文推文抓取的疫苗关键词包括疫苗类型(“辉瑞”和“Moderna”),副作用关键词紧随美国疾病控制和预防中心(Centers for Disease Control and Prevention)用英文描述的症状:疲劳、头痛、肌肉疼痛、发冷、发烧和恶心[ ].同样,印度尼西亚政府的官方网页上也列出了COVID-19疫苗接种后的症状列表,简称为kipi(在印尼:Kejadian ikutan pasca imunisasi) [ ].日本政府的相关消息人士也提到了同样的症状,除了恶心,但包括腹泻[ ].我们决定排除腹泻,因为它没有列在印度尼西亚的来源和在Moderna的公开报告中没有详细的患病率。然而,我们决定在本研究中保留恶心,因为有相应的统计数据,而且日本的一些关于疫苗副作用的研究也引用了它[ , ].这个症状列表随后被翻译成日语和印尼语,并从同义词中添加了额外的关键词(参见 ).条款一个 | 关键字(以逗号分隔) | ||||
日本 | 印尼 | ||||
疫苗 | |||||
与疫苗相关的 | ファeconf econfザ,モデルナ | 辉瑞,现代化 | |||
副作用 | |||||
副作用 | 副反応 | efek, kipi | |||
疲劳 | 疲労,疲れ,倦怠感,だるい,だるさ | 利拉,迦佩,迦佩,比甲,利玛斯,利提 | |||
头疼 | 頭痛,頭が痛い | 布先,sakit kepala | |||
肌肉疼痛 | 筋肉痛 | nyeri otot | |||
发冷 | 寒気,悪寒,さむけ | meriang, menggigil | |||
发热 | 熱,高熱,微熱,発熱,熱が高い,熱があった,熱がある,熱が出た,熱風邪 | demam, panas | |||
恶心想吐 | 悪心,吐,嘔吐,おう吐,気分悪 | mual |
一个翻译成英语。
公开报告的数据
本文中列出的比较百分比来自辉瑞公司(Pfizer)发布的公开报告(新闻稿)[
和Moderna [ ].辉瑞公司的数据来自16岁至55岁的参与者,而Moderna公司的数据来自18岁至64岁的参与者。两组均在接种疫苗后收集7天,分类为全身不良反应。推文数据的预处理
对于两种语言的推文,最初的预处理步骤是删除用户名和网页链接。之后,对于日文推文,我们删除了表情符号和特殊字符(如日文标点符号)。然后使用mecab-ipadic-NEologd对推文进行标记化[
- ],将术语简化为最简单的形式,以方便进一步分析。所有关键字过滤都是使用全宽字符完成的。对于印尼文的推文,所有字符都被设置为小写,非ascii字符被删除。为了分别评估这两种疫苗,我们过滤了推文,选择了只有辉瑞或Moderna字样的推文。提到这两种疫苗的推文被删除,并被排除在分析之外。接下来,我们将数据中有超过10条tweet的用户账户定义为“高频用户”。我们删除了这些高频用户,以避免数据因来自同一个人的过多推文计数而产生偏差。然后,我们将推文按用户账户分组,关注用户级别的分析。如果一个用户有不止一条推文,它们将被合并成一个句子进行分析。这是为了减少由于同一个人在不同的推特上多次发布其副作用而产生的偏见。
在此之后,带有“Pfizer”字样的推文被编码为1,而带有“Moderna”字样的推文被编码为0。如前所述,考虑到各自的疫苗接种时间表,我们排除了提到这两种类型(辉瑞和Moderna)的推文,并在现阶段将它们过滤掉。这一步的结果变量作为逻辑回归分析的结果变量。
过滤后的推文样本显示在
.由于推特的隐私政策,这些推特样本是转述的。本研究中处理的数据集的Tweet ID可在 (日本tweet)和 印尼(微博)。在每个过滤后的tweet中,我们对合并的tweet应用指定关键字的单词匹配。如果出现了“副作用”这个词,那么这一列就被标记为“1”,如果没有,那么它就被标记为“0”。共有7个预测变量:效应、疲劳、头痛、肌肉疼痛、寒战、发烧和恶心。使用精确的单词匹配来检查每一个各自的副作用的存在。比如,基于日本人的推特 ,发烧和头痛列标为1,其他副作用标为0。提到“疼痛”并没有被归为“肌肉疼痛”,所以它被标记为0。过滤推文的例子。
日文推文:こんばんは皆様。2回目のファイザーワクチンの接種後、夜から次の日にかけて、微熱と頭痛と接種部位の痛みを感じます。若い人の方が熱が出やすいと思われます。#ファイザー#コロナワクチン (Good evening everyone. After the second dose of Pfizer vaccine, I feel a slight fever, headache and pain at the vaccination site during the night and the next day. It seems that younger people are more prone to fever. #pfizer #coronavaccine)
印尼的微博:伊菲克多西斯克杜阿瓦克辛现代那我的,阿库,我的,卡瑞,萨基特,德玛,巴丹,特拉萨,尼耶里,丹,萨基特,卡帕拉(第二剂莫德纳的副作用是我疼得哭,发烧,发冷,酸痛,头痛)
逻辑回归分析
逻辑回归分析是一种分析与二元结果变量相关性的统计方法[
].在本研究中,我们按国家分别进行了独立的逻辑回归模型:日本和印度尼西亚。结果变量是疫苗类型(辉瑞或Moderna),预测变量是已确定的副作用:副作用、疲劳、头痛、肌肉疼痛、发冷、发烧和恶心(来自推特)。然后,我们使用从模型参数获得的比值比,检查每种疫苗类型的特定副作用的可能性。采用5%的显著性水平构建比值比的置信区间。模型采用Nagelkerke R2[ ].所有统计分析均采用SPSS 28.0.1版本(IBM公司,阿蒙克,纽约州)进行。所有纳入分析的变量都是二元的。道德的考虑
这项研究不要求参与者参与任何身体或精神干预。由于该研究没有使用个人身份信息,因此根据日本政府制定的《人体医学与健康研究伦理指南》,免除了机构审查委员会的批准。
结果
与临床试验公开报告数据(新闻稿)的比较
本研究使用的最终数据集包括来自214,165名用户的286,887条日本推文和来自12,289名用户的14,484条印尼推文。
显示合并后的最终tweet计数和每个副作用的详细分解。对于最终的数据集,日语用户的平均推文数小于印尼语用户的平均推文数,如图所示 .但是,由于我们是按用户聚合推文的,所以我们将重点放在合并推文的用户计数上,以便进行后续分析。关于辉瑞疫苗和Moderna疫苗的推文在印尼数据集中的比例分别为58.80%和41.20%,其中提到Moderna的推文更多。在日本的数据中,98.47%的推文提到了辉瑞。2021年底,日本使用辉瑞和Moderna疫苗的比例分别为79.85%和20.08%,其他公司(阿斯利康)的比例为0.08% [ ].我们无法获得印度尼西亚的可比数据。日本 | 印尼 | ||||||
辉瑞 | 现代化 | 总计 | 辉瑞 | 现代化 | 总计 | ||
微博, | 283530年 | 3357 | 286887年 | 5684 | 8800 | 14484年 | |
每个用户的推文数量,平均值(SD) | 1.344 (0.890) | 1.028 (0.221) | 1.339 (0.885) | 1.122 (0.449) | 1.218 (0.606) | 1.178 (0.549) | |
个体用户(合并推文后),n | 210899年 | 3266 | 214165年 | 5063 | 7226 | 12289年 | |
提到任何疫苗副作用的个人使用者,n | |||||||
副作用 | 101794年 | 1224 | 103018年 | 1535 | 4628 | 6163 | |
疲劳 | 39724年 | 406 | 40130年 | 375 | 356 | 731 | |
头疼 | 34878年 | 398 | 35276年 | 457 | 858 | 1315 | |
肌肉疼痛 | 25167年 | 339 | 25506年 | 9 | 37 | 46 | |
发冷 | 9361 | 143 | 9504 | 248 | 780 | 1028 | |
发热 | 131172年 | 1993 | 133165年 | 2089 | 2386 | 4475 | |
恶心想吐 | 5334 | 49 | 5383 | 105 | 396 | 501 |
显示了辉瑞和Moderna发布的新闻稿中报道的副作用,然后是我们研究中观察到的推文的百分比。该图包含从tweet中的单词匹配和与公共报告数据的比较中获得的副作用,以说明tweet数据捕捉副作用的能力。新闻稿中报道的副作用百分比与推文数据中报道的副作用百分比之间似乎存在差异,日本和印尼推文中的副作用百分比之间也存在轻微差异。
在公开报告中,第二剂的副作用比第一剂更常见。然而,在我们的数据集中,我们缺乏从推文中类似的信息来区分第一剂和第二剂之间的副作用。除了发烧,我们注意到所有的副作用在公开报道中(更高的百分比)比在推特中报道的更频繁。一幅雷达图显示了公开报告中第一剂和第二剂的每种副作用与从推特中获得的副作用之间的比较
,其值与副作用的计数相对应 中所示值的百分比 .对比了日本和印尼的推文,辉瑞和Moderna的一些副作用,如疲劳、肌肉疼痛和发烧的比例在日本推文中高于印尼推文。头痛、发冷和恶心的比例也不同,印尼语的比例更高。不管哪种疫苗,发烧是迄今为止推特上报道最多的副作用。
在日本的推文中,辉瑞疫苗的所有副作用的百分比略高于Moderna疫苗,即使两者的推文总数明显不同。另一方面,在印度尼西亚的推特中,Moderna疫苗的副作用比例更高。我们还注意到,报告的肌肉疼痛的比例非常小,这可能是由于使用了不恰当的词汇来表示这种类型的疼痛。例如,没有多少用户能够准确定位疼痛起源于身体的哪个部位。一个更笼统的术语“疼痛”可能比具体的术语“肌肉疼痛”更适合表示这种副作用。
![](https://asset.jmir.pub/assets/e52059b7b8f3dd409925a7f1abaf061d.png)
疫苗副作用的Logistic回归分析
然后,我们比较了Twitter上提到的辉瑞和Moderna疫苗的副作用,以副作用为预测因素,以疫苗类型(辉瑞或Moderna)为结果变量。大多数预测变量是显著的(
),表明报告的副作用在辉瑞和Moderna疫苗之间存在显著差异。然而,我们注意到,大样本量产生的高统计功率可能影响了统计检验的计算和相关的P价值。我们首先报告日本数据的结果,然后分别报告印度尼西亚的数据。Nagelkerke R2日本推文的比例为1.2%。在解释模型的过程中,我们发现,在有关辉瑞疫苗的推特上出现“副作用”这一总称的几率约为1.907倍。对于特定的词汇(如肌肉疼痛、发烧、头痛和恶心),优势比彼此接近:它们分别是辉瑞推文中提到的1.338、1.357、1.362和1.458倍,这表明这些词汇在有关辉瑞疫苗的推文中比在有关Moderna疫苗的推文中更频繁。然而,只有寒战具有较小的优势比。这与过去Kitagawa等人报道的结果不同。
他们通过在日本进行的一项问卷调查研究,比较了两种疫苗的副作用流行率,发现接受Moderna疫苗的用户报告的副作用比接受辉瑞疫苗的用户更多。印尼的推文显示了不同的结果,除了疲劳和发烧,所有其他副作用似乎都不太可能在有关辉瑞疫苗的推文中被提及,而更可能在有关Moderna疫苗的推文中被提及。Nagelkerke R2印尼推特的模型为17.4%。然而,我们注意到,疲劳出现在关于辉瑞疫苗的推特上的频率明显高于关于Moderna疫苗的推特。进一步观察发热的95% CI (CI值为1)表明,辉瑞和Moderna疫苗在这两种副作用上可能没有什么差别。
变量 | 系数 | 标准错误 | P价值 | 优势比 | 95%可信区间 | |
日本推 | ||||||
(拦截) | 3.551 | 0.043 | <措施 | 34.831 | - - - - - -一个 | |
副作用 | 0.646 | 0.043 | <措施 | 1.907 | 1.755 - -2.073 | |
疲劳 | 0.489 | 0.054 | <措施 | 1.631 | 1.468 - -1.814 | |
头疼 | 0.309 | 0.055 | <措施 | 1.362 | 1.223 - -1.517 | |
肌肉疼痛 | 0.291 | 0.059 | <措施 | 1.338 | 1.191 - -1.503 | |
发冷 | -0.101 | 0.087 | 二十五分 | 0.904 | 0.762 - -1.072 | |
发热 | 0.305 | 0.042 | <措施 | 1.357 | 1.250 - -1.473 | |
恶心想吐 | 0.377 | 0.146 | . 01 | 1.458 | 1.095 - -1.941 | |
印尼推 | ||||||
(拦截) | 0.455 | 0.036 | <措施 | 1.576 | - - - - - - | |
副作用 | -1.461 | 0.042 | <措施 | 0.232 | 0.214 - -0.252 | |
疲劳 | 0.238 | 0.084 | 04 | 1.269 | 1.077 - -1.495 | |
头疼 | -0.294 | 0.068 | <措施 | 0.745 | 0.653 - -0.851 | |
肌肉疼痛 | -0.98 | 0.398 | . 01 | 0.375 | 0.172 - -0.818 | |
发冷 | -1.029 | 0.080 | <措施 | 0.358 | 0.306 - -0.418 | |
发热 | 0.003 | 0.043 | 总收入 | 1.003 | 0.922 - -1.092 | |
恶心想吐 | -0.821 | 0.120 | <措施 | 0.440 | 0.348 - -0.557 |
一个不适用。
讨论
主要研究结果
我们的研究结果突出了Twitter上对副作用的表述和公开新闻稿中报道的百分比之间的巨大差距:对于大多数副作用,我们发现Twitter用户报告的百分比远远低于公开报告中报道的百分比。我们的第一个结果专注于Twitter上报道的计数和公共新闻稿中观察计数的描述性比较。考虑到一些研究利用Twitter上的症状报告进行流行病学监测,我们的研究表明,至少在疫苗副作用监测方面,我们可能存在“发烧”相对于其他(较轻)副作用的过度反映的风险。尽管我们的研究没有明确研究这一现象背后的原因,但我们推测了一些可能的解释。
首先,这可能反映出普通人和卫生专业人员对疫苗接种的看法和谈论存在差异[
].我们的研究可能过于依赖于相对专业的术语(例如,肌肉疼痛),这可能不是最显著的术语,至少在日本和印尼是如此。因此,非专业人士和专业人士在重点和词汇选择上的差异,可能导致在描述接种疫苗后所经历的副作用时使用不同的表达。鉴于我们的研究使用了更“专业”的术语,我们对肌肉疼痛或发冷等副作用的研究结果可能是现有推文的代表性不足。第二,发热的高报告率可能是由于公众的非专业人员容易测量。体温计被广泛使用和使用,并有一般的惯例(阈值)来确定一个人是否发烧。另一方面,其他副作用,如寒战、头痛和疲劳,有时可能没有明确、客观的阈值和测量方法,这是外行人的常识。由于这些副作用的模糊性和主观性,Twitter用户可能会犹豫是否更新自己的状态,尤其是与发烧相比,发烧有一个明确和客观的阈值。因此,那些可能体验到多种副作用的Twitter用户可能会决定只报告更清晰、更明显的副作用。
最后,另一个可能的原因可能是研究(公开报告)中观察到的人与在推特中分享自己经历的推特用户之间的年龄差异。Statista进行的一项调查显示,在20岁至29岁的日本受访者中,近80%的人使用微博和社交网络服务Twitter。尽管这表明在日本年轻人中手机的普及率也很高,但在较年长的群体中使用手机的比例要低得多[
].过去的一项研究也表明,辉瑞疫苗的全身副作用发生率在年轻参与者中明显高于老年人[ ],这一发现此前也被扩展到日语的语境中[ ].从使用推特的比率来看,也有不使用推特的人,也就是说不会通过推特分享副作用。由于老年人群中疫苗副作用的发生率较高,而推特普及率较低,这也可能影响在推特上可能发现的副作用的数量。我们从日本和印度尼西亚的推文中发现的结果也不同于美国英语推文中报道的(疫苗)副作用,在美国,疼痛、疲劳和头痛被列为辉瑞和Moderna疫苗的前三大副作用[
].一个可能的原因是人们在Twitter上表达自己的方式存在文化差异,这可能源于他们各自的文化背景和习惯。与个人主义文化中的个人(如美国)相比,集体主义文化中的人(如日本和印度尼西亚)在社交媒体上可能不那么开放和活跃。[ ].因此,美国用户可能会在社交媒体上更详细、更频繁地报告他们的症状,而日本和印度尼西亚用户可能会“保存”他们的帖子,以防止更严重的副作用(即发烧)。无论如何,我们建议未来关于疫苗副作用信息流行病学监测的研究可以考虑主要关注这些国家的与发烧相关的关键词。不管怎么解释,我们的研究似乎表明,在日本和印度尼西亚,“发烧”作为疫苗接种的一个主观上更强烈的副作用,在Twitter上被讨论的比例更高。一个可能的后果可能是Twitter上的回音室效应[
,这可能导致疫苗犹豫或其他厌恶行为。由于这种不成比例的报道,我们以Twitter用户Marie为例,她目前正在考虑接种疫苗。她可能会注意到,许多用户在她的Twitter上讨论他们的发烧经历,认为这是疫苗接种的副作用,这可能会导致人们认为发烧风险过高,从而阻止她接受疫苗接种。相比之下,如果推特以一种更有代表性的方式讨论副作用,玛丽就会对风险有一个准确的描述,可能不会因此而阻止她接种疫苗。我们再次注意到,副作用是日本犹豫接种疫苗的一个重要原因[ ,并假设这种在推特上的强烈副作用的过度表现可能是导致犹豫的原因之一,尽管还需要后续研究来验证这一假设。限制
虽然我们的调查仅限于Moderna和辉瑞的疫苗,但这些疫苗在印度尼西亚获得批准的时间相对较晚,我们也没有研究其他疫苗生产商(如科兴和阿斯利康)关于副作用的推文。因此,关于疫苗及其副作用的一些论述在早期的推特中没有被捕捉到。其次,一些推特也详细阐述了副作用,但没有提到具体接种的疫苗类型。第三,对tweet的搜索查询被限制在指定的关键字(
),并没有包括其他表中未列出的可能词汇,我们也没有考虑推文所表达的积极或消极情绪。最后,我们只关注只提到一种疫苗的推文,删除了同时提到两种疫苗的推文。然而,在观察期间,人们同时接种辉瑞和Moderna疫苗的可能性很小,而提到这两种疫苗的推文主要是指新闻文章和相关讨论,而不是公众所经历的实际副作用。最后,我们没有控制推文中的否定。然而,我们为每种疫苗和语言采样了100条推文。在所有采样的推文中,我们集中观察发烧,这是在我们的推特数据集中发现的最常见的副作用,并发现只有少数推文包含否定。基于对样本的人工检查,我们发现,在日本的推文中,63条提到发烧的推文中有15条是否定(对发烧)的,占辉瑞疫苗相关推文的23.80%。通过同样的过程,我们得到了32.76%的Moderna推文否定。与此同时,在印度尼西亚的推特中,辉瑞疫苗和Moderna疫苗对发烧的否定率分别为21.43%和16.67%。在推特分析中,否定是一项艰巨的挑战,因为表达否定的方式有很多,不一定能通过指定的否定词轻松过滤掉[
].尽管否定处理可能会改善最终结果,但在过去的研究中,它似乎没有阻碍推文在显示一致模式方面的效用,如真实世界(未过滤)数据[ ].考虑到在我们的随机推文样本中,观察到的两种疫苗在每种语言中的否定率相似,我们决定保留所有推文用于这些分析。我们也缺乏手段来核实这些推文是否来自个人或非个人(如公司)账户,以及该账户背后的个人是否真的接种了疫苗,以及后续确认报告的副作用。最后,我们还缺乏关于副作用是否来自第一剂、第二剂或第三剂疫苗的充分信息,因为我们仅限于与我们的Twitter API查询的语言过滤器相匹配的用户在推特中分享的副作用,而没有任何更深层次的人口统计学或上下文信息。
结论
我们发现,发烧是日本和印尼推特上报道的最普遍的副作用,这可能反映了社交媒体倾向于报道严重或可测量的副作用(如发烧)。此外,在研究不同疫苗生产商的副作用时,我们发现Twitter提供的来自日本和印度尼西亚的信息不一致,在日本有关辉瑞疫苗的推文中报道的副作用相对较多,但在印度尼西亚有关Moderna疫苗的推文中报道的副作用较多。因此,鉴于推特和疫苗新闻稿的研究结果的不一致和差距,我们谨慎乐观地认为,推特可以证明对疫苗副作用的信息流行病学监测是有用的,这是最适合检测日本和印度尼西亚人群中发烧症状的流行情况的。
致谢
本研究获得日本科学技术振兴厅(JST)战略国际研究合作项目(SICORP)资助号JPMJSC2107,日本和日本科学促进学会(JSPS) KAKENHI资助号JP22K12041。
作者的贡献
KF在KL的协助下收集数据并进行分析,KF和KL撰写了手稿,SW和EA提供了批判性的评论。所有作者都对研究的概念化和初步研究设计做出了贡献。EA和SW监督该项目。
的利益冲突
没有宣布。
日语tweets的Tweet ID。
TXT文件,5603 KB
印尼tweets的Tweet ID。
TXT文件,288kb
辉瑞(A)和Moderna (B)的雷达图,显示每种副作用百分比的比较。
PNG文件,213kb参考文献
- dama K, Sharun K, Tiwari R, Dadar M, Malik Y, Singh K,等。COVID-19,一种新出现的冠状病毒感染:设计和开发疫苗、免疫疗法和治疗方法的进展和前景。Hum Vaccin Immunother 2020 Jun 02;16(6):1232-1238 [免费的全文] [CrossRef] [Medline]
- 法达M,艾博年E,萨格斯LS。当COVID-19疫苗研制出来时,我们是否都做好了接种的准备?国际J公共卫生2020年7月;65(6):711-712 [免费的全文] [CrossRef] [Medline]
- G Yamey G, Schäferhoff M, Hatchett R, Pate M,赵f, McDade KK。确保全球可获得COVID-19疫苗。Lancet 2020 May 02;395(10234):1405-1406 [免费的全文] [CrossRef] [Medline]
- Eibensteiner F, Ritschl V, Nawaz FA, Fazel SS, Tsagkaris C, Kulnik ST,等。推特民意调查分析:尽管人们担心安全,但他们仍愿意接种COVID-19疫苗。J Med Internet Res 2021年4月29日;23(4):e28973 [免费的全文] [CrossRef] [Medline]
- Latkin CA, Dayton L, Yi G, Konstantopoulos A, Boodram B.美国对COVID-19疫苗的信任:社会生态视角。社会科学医学2021 Feb;270:113684 [免费的全文] [CrossRef] [Medline]
- An L, Russell DM, Mihalcea R, Bacon E, Huffman S, Resnicow K.与COVID-19疫苗相关的在线搜索行为:信息流行病学研究。JMIR信息流行病学2021;1(1):e32127 [免费的全文] [CrossRef] [Medline]
- Bonnevie E, Gallegos-Jeffrey A, Goldbarg J, Byrd B, Smyser J.量化COVID-19大流行期间推特上反对疫苗的兴起。Journal in Healthcare 2020年12月15日;14(1):12-19。[CrossRef]
- 吕锦江,韩el,吕丽GK。推特上与COVID-19疫苗相关的讨论:主题建模和情绪分析。J Med Internet Res 2021年6月29日;23(6):e24435 [免费的全文] [CrossRef] [Medline]
- Banda JM, Tekumalla R,王刚,余杰,刘涛,丁勇,等。用于开放科学研究的大规模COVID-19推特聊天数据集——一项国际合作。ArXiv 2020 Apr 07:1。[Medline]
- 基于推特的流感高峰后通过推特与间接信息的流感检测:文本挖掘研究。2018年9月25日;4(3):e65 [免费的全文] [CrossRef] [Medline]
- Yousefinaghani S, Dara R, Poljak Z, Bernardo TM, Sharif S. Twitter对疫情检测潜力的评估:禽流感案例研究。Sci Rep 2019 Dec 03;9(1):18147 [免费的全文] [CrossRef] [Medline]
- Kouzy R, Abi Jaoude J, Kraitem A, El Alam MB, Karam B, Adib E,等。冠状病毒传播:量化推特上COVID-19错误信息的流行。Cureus 2020 3月13日;12(3):e7255 [免费的全文] [CrossRef] [Medline]
- Marcec R, Likic R.使用Twitter对阿斯利康/牛津、辉瑞/BioNTech和Moderna COVID-19疫苗进行情绪分析。研究生医学J 2022 7月;98(1161):544-550 [免费的全文] [CrossRef] [Medline]
- Sattar NS, Arifuzzaman S. COVID-19疫苗接种意识和后果:美国推特数据的公众情绪分析和接种人口预测。应用科学2021年6月30日;11(13):6128。[CrossRef]
- Kwok SWH, Vadde SK, Wang G.澳大利亚推特用户中与COVID-19疫苗接种相关的推文主题和情绪:机器学习分析。J Med Internet Res 2021年5月19日;23(5):e26953 [免费的全文] [CrossRef] [Medline]
- 2022年推特用户最多的国家。2022年7月27日。URL:https://www.statista.com/statistics/242606/number-of-active-twitter-users-in-selected-countries/[2022-09-23]访问
- 《日语导论》。Babbel杂志,2021年7月28日。URL:https://www.babbel.com/en/magazine/guide-to-japanese-language[2022-09-23]访问
- Devlin TM。有多少人说印尼语?在哪里说?Babbel杂志,2021年5月11日。URL:https://www.babbel.com/en/magazine/how-many-people-speak-indonesian-where-is-it-spoken[2022-09-23]访问
- 周三,日本开始推出疫苗。CNN。2021年2月17日。URL:https://edition.cnn.com/world/live-news/coronavirus-pandemic-vaccine-updates-02-16-21/h_45ac6dc81faf4905a94fb4c8ab93092a[2022-09-23]访问
- Hasell J, Mathieu E, Beltekian D, Macdonald B, Giattino C, ortizo - ospina E,等。一个COVID-19检测的跨国数据库。科学数据2020 Oct 08;7(1):345 [免费的全文] [CrossRef] [Medline]
- 印尼开始推出COVID-19疫苗,佐科维是第一个接种疫苗的人。时间2021年1月13日。URL:https://time.com/5929160/indonesia-vaccine-rollout-jokowi/[2022-09-23]访问
- 大久保R、吉冈T、大富士S、松尾T、田内T。日本COVID-19疫苗接种犹豫及其相关因素疫苗(巴塞尔)2021年6月17日;9(6):662。[CrossRef] [Medline]
- Khan MSR, Watanapongvanich S, Kadoya Y.日本年轻一代对COVID-19疫苗的犹豫。国际J环境与公共卫生2021年11月07;18(21):11702 [免费的全文] [CrossRef] [Medline]
- 印度尼西亚卫生部、国家免疫技术咨询小组、儿童基金会、世界卫生组织(世卫组织)。2020年11月印度尼西亚COVID-19疫苗接受情况调查https://covid19.go.id/storage/app/media/Hasil%20Kajian/2020/November/vaccine-acceptance-survey-en-12-11-2020final.pdf[2022-09-23]访问
- 博恩-伊特S,斯昆坎Y.推特上公众对COVID-19大流行的看法:情绪分析和主题建模研究。2020年JMIR公共卫生监测11月11日;6(4):e21978 [免费的全文] [CrossRef] [Medline]
- 北川H, Kaiki Y, Sugiyama A, Nagashima S, Kurisu A, Nomura T,等。日本BNT162b2和mRNA-1273 mRNA疫苗的不良反应。J infection Chemother 2022 Apr;28(4):576-581 [免费的全文] [CrossRef] [Medline]
- twarc。URL:https://twarc-project.readthedocs.io/en/latest/[2022-09-23]访问
- 接种COVID-19疫苗后会发生什么。疾病控制和预防中心URL:https://www.cdc.gov/coronavirus/2019-ncov/vaccines/expect/after.html[2022-09-23]访问
- 关于COVID-19疫苗接种后的副作用或反应的信息。kipi。URL:https://kipi.covid19.go.id/[2022-09-23]访问
- COVID-19疫苗。日本厚生劳动省。URL:https://www.mhlw.go.jp/stf/covid-19/vaccine.html[2022-09-23]访问
- 出云T, Kuse N, Awano N, Tone M,坂本K,高田K,等。日本BNT162b2信使核糖核酸冠状病毒病2019疫苗的副作用和抗体效价转变。呼吸调查2021年9月;59(5):635-642 [免费的全文] [CrossRef] [Medline]
- Polack FP, Thomas SJ, Kitchin N, Absalon J, Gurtman A, Lockhart S, C4591001临床试验组。BNT162b2 mRNA Covid-19疫苗的安全性和有效性。N Engl J Med 2020 Dec 31;383(27):2603-2615 [免费的全文] [CrossRef] [Medline]
- 巴登LR, El Sahly HM, Essink B, Kotloff K, Frey S, Novak R, COVE研究组。rna -1273 SARS-CoV-2疫苗的有效性和安全性N Engl J Med 2021 Feb 04;384(5):403-416 [免费的全文] [CrossRef] [Medline]
- 佐藤勇,桥本勇,奥村勇。字距词典的实现及其在信息检索中的有效应用。2017年出席:第23届自然语言处理协会年会;2017年3月,北京;筑波,茨城县,日本https://www.anlp.jp/proceedings/annual_meeting/2017/pdf_dir/B6-1.pdf
- 佐藤T.基于Web语言资源的Mecab新词词典。neologd / mecab-ipadic-neologd。2015.URL:https://github.com/neologd/mecab-ipadic-neologd[2022-09-23]访问
- Sato T, Hashimoto T, Manabu O.操作分词词典生成系统NEologd(日语)。2016年出席:日本信息处理学会、自然语言处理特别兴趣小组(IPSJ-SIGNL)日本信息处理学会;2016年12月20 - 22日举行;东京p。nl - 229 nl - 215。
- 小霍斯默DW, Lemeshow S, Sturdivant RX。应用Logistic回归。新泽西州霍博肯:John Wiley & Sons;2013.
- Nagelkerke NJD。决定系数的一般定义注记。生物统计学1991;78(3):691 - 692。[CrossRef]
- COVID-19疫苗。日本首相办公室。URL:https://www.kantei.go.jp/jp/headline/kansensho/vaccine.html[2022-09-23]访问
- 罗晨,季凯,唐莹,杜卓。探讨专业人士与非专业人士对新冠肺炎疫苗的表达差异:文本挖掘方法。J Med Internet Res 2021年8月27日;23(8):e30715 [免费的全文] [CrossRef] [Medline]
- 2021财年推特在日本的渗透率,按年龄组分列。2022年9月7日。URL:https://www.statista.com/statistics/1077538/japan-twitter-penetration-rate-by-age-group/[2022-09-23]访问
- Saita M, Yan Y, Ito K, Sasano H, Seyama K, Naito T.接种两剂BNT162b2 mRNA COVID-19疫苗后的反应原性:来自日本卫生工作者的真实世界证据。J infection Chemother 2022 Jan;28(1):116-119 [免费的全文] [CrossRef] [Medline]
- 连阿特,杜娟,唐磊。利用机器学习方法从推特数据中监测COVID-19疫苗不良事件(VAE)。疫苗(巴塞尔)2022年1月11日;10(1):103 [免费的全文] [CrossRef] [Medline]
- Jackson LA, Wang J.社交网站使用的文化差异:中国和美国的比较研究。计算机与人类行为2013年5月29(3):910-921。[CrossRef]
- Colleoni E, Rozza A, Arvidsson A,回音室还是公共空间?利用大数据预测推特的政治倾向和衡量政治同质性。杂志2014年3月19日;64(2):317-332。[CrossRef]
- 推特数据的情绪分析:一项技术调查。IJCA 2016年4月15日;139(11):5-15。[CrossRef]
- amaki E, Maskawa S, Morita M. Twitter捕捉流感:使用Twitter检测流感流行。2011年发表于:自然语言处理的经验方法会议;第27 - 31 7月,2011;英国爱丁堡。
缩写
jsp:日本科学促进会 |
JST:日本科学技术厅 |
信使rna:信使核糖核酸 |
SICORP:战略国际研究合作项目 |
T·麦基编辑;提交12.05.22;由S Kwok, J Banda, S Matsuda同行评议;对作者24.06.22的评论;修订版收到29.07.22;接受19.09.22;发表04.10.22
版权©Kiki Ferawati, konmeng Liew, eji Aramaki, Shoko Wakamiya。最初发表于JMIR信息流行病学(https://infodemiology.www.mybigtv.com), 2022年10月4日。
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。