从2014年4月1日到2015年1月21日，使用Twitter公共流应用程序编程接口(API)收集了1%的公共推文，共产生281,276,343条推文。在这项研究中，我们收集的推文仅限于英语。由于GPS数据稀缺，我们没有为每条推文提供全球定位系统(GPS)值限制，而是使用本文后面介绍的方法将推文位置集中到仅限美国的账户。由于收集系统的技术问题，从2014年5月13日到2014年7月24日的推文没有被保留。在数据收集期间，将收集twitter提供的唯一用户标识(ID)号、推文、数据/时间、配置文件标识的位置以及GPS纬度和经度值(如果可用)。在收集了推文之后，通过使用唯一的用户ID号对推文进行分组，重新构造了用户时间线。集合中推文字符长度的分布如图所示 图1而且 2。

清洗推文的预处理过程在所有收集的时间线上遵循一致的方法。考虑到重点是文本的预测能力，包含自包含推文之外的链接信息的推文，主要是非语言元素(即url、用户名和转发信息)被系统地删除了。例如，包含“www.t.co”、“cnn.com”、“@username”和“RT @username”等元素的推文将从集合中删除。虽然转发文本可以提供用户通过Twitter与之互动的个人和/或组织的信息，但由于速率限制(即Twitter限制了我们在15分钟内可以进行的搜索次数)，我们无法包括所有使用Twitter API的转发消息。通过系统地从研究中删除那些短于85个字符的用户时间线(由用户聚合的推文)，删除了包含很少信息的用户时间线。为了选择这个字符阈值，我们随机选取了不同长度的时间线，观察到时间线短于85个字符通常包含的单词数小于15个，这为准确分类提供的信息很少。这些预处理方法给我们留下了19,818,236条推文，属于用于分析的779,653个独特用户的时间轴。

本文提出的用户种族分类方法依赖于监督学习分类方法[ 41]，这需要准确的训练数据来为分类模型提供信息，也需要一组可靠的测试数据来评估分类的准确性。为了获得表明Twitter用户种族的训练数据，我们在每个用户的时间轴中寻找特定的声明性语句(即用户明确定义其个人身份元素的语句)。包含这种声明性语句的时间轴被相应地标记，接收四个枚举键中的一个。这些关键字表明了本研究所探索的种族类型，取以下值: 高加索人， 非洲裔、亚裔,而且 拉美裔。陈述句的例子包括:“我是非洲裔美国人”，“我是亚洲人”，或“我是黑人”。这些陈述是通过人工观察围绕种族术语(如白人、黑人、白种人、非洲裔美国人、亚洲人等)的陈述来选择的，这确定了许多自我识别陈述与上面提供的陈述性陈述示例相比采用了类似的形式。虽然我们意识到种族和民族的差异，但这项研究并没有对两种类型的陈述性语句进行区分，因为提供此类语句的最终Twitter用户并不总是健全或一致的。

单个tweet很短，通常没有什么信息，对于识别用户配置文件信息几乎没有分类潜力。这导致我们检查用户的时间轴，而不是单个的推文，通过提取由用户活动的更深层信息组成的特征来提高分类方法的准确性。在10个月的数据收集期内，用户的推文被分解成包含他们提交推文的时间顺序的时间线。这提供了一个更大的文本源，用于识别表明给定用户种族的描述性元素。

在以前的工作中描述的基线分类模型[ 38]采用文档术语矩阵来表示术语在给定时间轴上出现的频率。分类算法用于检测一组常见用户的词汇使用模式。在这项研究中，一个公共集合由拥有相同信息的用户组成 认同种族背景(例如，“我是非裔美国人”出现在他们的时间线内)。在自我识别的用户中检测到的词汇使用模式，然后应用于那些选择不明确定义自己种族的用户。本研究考察了两种相反的情况:(1)时间轴同义词扩展如何增强预测能力;(2)降维如何增强用户种族的预测能力。这些场景产生于两个想法。首先，用户经常在社交媒体上用不同的词汇选择表达相似的想法，其次，稀疏的时间轴可能会影响我们分类的准确性。

在构建基线分类器时[ 42- 44]，完全基于用户对词汇的选择，我们发现将一些分类器与特定的种族联系起来通常很困难。例如，一个民族可能经常使用这样的术语 妻子,配偶,而且 婚姻,一直以来都是这个群体最具代表性的术语 。在发现Twitter用户经常使用不同的术语来描述相同的概念后，我们用额外的词汇扩展了Twitter，试图增加组成员术语使用的词汇重叠，从而轻松地划分配置文件类型。使用词性标记，我们识别了推文中的名词和动词。然后，对于每条推文，使用Wordnet(一个词汇数据库，名词、动词和形容词被收集成一组认知同义词)[ 45， 46]时，每个名词和动词的前五个同义词都会被添加到推文中，从而在保留其原始含义的同时扩展推文。这使得种族和民族群体之间推文术语使用的重叠更加频繁，分类算法也更加准确。据我们所知，在检测Twitter用户的种族时，使用Twitter的同义词扩展来增强单词袋功能集还没有被探索过。

潜狄利克雷分配[ 47是一种统计方法，用于计算给定文档的抽象主题，使用语料库文档中的术语共现。我们的第二种种族分类方法使用LDA来检测主题之间的模式，而不是首先将推文转换为主题。我们承认LDA通常用于长文档中的主题检测，以及它在应用于短文本中的主题检测时的局限性。尽管如此，根据我们的研究设计，我们首先将一个Twitter用户所贡献的所有tweet文本进行聚合，生成该用户在Twitter上的总写作记录，然后将LDA应用于该用户的聚合写作记录(平均324个字符)。在 图1而且 2，我们总结了本文所研究的推文集合的推文和总推文写作记录(用户时间轴)长度。这个基于作者的聚合步骤极大地缓解了LDA模型短输入文本的稀疏性问题。值得注意的是，在对Twitter数据进行主题建模时，也普遍采用上述预处理步骤[ 48- 50］．使用LDA主题分布来表示时间线可以减少99.7%的特征(用于对用户的种族进行分类的变量，例如，这些变量包括词干词的频率计数，如“together”、“damnnn”和“sharp”，这些词通常表示非裔美国用户，而“newyork”、“lifetime”和“whatchya”，这些词与白人用户密切相关)，同时提高了对某些种族的分类准确性。抽象主题的数量，以及代表Twitter时间轴的特征的数量，是通过迭代构建分类算法来系统地决定的。在这个时间线语料库中，模型的准确性在大约45个抽象主题时达到峰值，然后对每个测试集采用这些主题。在这种方法中，我们的目标是减少代表每个Twitter用户活动的特征的数量。将用户的时间线减少到由LDA主题分布组成的表示，然后我们采用支持向量机分类方法，为我们的分类算法提供径向基函数核。之所以选择这种方法，是因为它能够很好地处理文本数据，并且一直被认为是文本分类研究中的最佳方法[ 51］．

我们使用十倍交叉验证来检验模型的准确性。标记的数据集被分成十个大小相同的箱子。10个箱子中的9个用来训练模型，而剩下的箱子用于测试。我们对箱子进行了十次迭代，每次迭代都保留一个新的箱子用于测试。由于数据集的不平衡性，我们选择了两个评估指标。首先，对于每个种族，我们计算平衡精度(式a， 图3)，一个用于不平衡类的性能度量[ 52］．其次，我们提供了所有种族的总体准确性(式b， 图3)，以及白种人和非裔美国人(这两个群体在本研究的第二部分重点关注)的准确性。此外，我们提供了分类结果的混淆矩阵(同义词扩展文本分类的结果和基于主题的方法的结果)，以提供分类性能的进一步细节。

本研究所有统计分析均采用R统计软件包进行。为了衡量组间观察到的差异的统计学意义， t测试进行了两两比较的种族群体(即，白种人vs非洲裔美国人，白种人vs西班牙裔美国人，等等)。我们验证了一个假设，即在研究期间的每个月，癌症术语的使用在种族和/或种族群体之间没有统计学上的显著差异。因为对不同种族进行的测试是相互独立的，所以没有对多重比较进行调整。 P值<0.05为有统计学意义。

在这项研究中，我们在2014年9个月的时间里观察了Twitter用户对特定癌症术语的媒体关注的有趣模式。我们一般关注癌症，特别是乳腺癌、前列腺癌和肺癌，它们是美国男性和女性的主要癌症，我们观察到在特定的癌症宣传月期间和之后，术语使用频率的一些变化，特别是9月(前列腺癌宣传月[PCAM])、10月(乳腺癌宣传月[BCAM]和11月(肺癌宣传月[LCAM])。有趣的是，结直肠癌是男性和女性的第三大常见癌症[ 1在这项研究的所有抽样用户中，这类人在Twitter上获得的关注最少。我们观察到，在整个研究期间，种族和民族对每一种感兴趣的癌症术语的使用频率存在差异，我们假设这与美国可观察到的癌症差异有关。这些发现强调了提高人们癌症意识的必要性，以及研究个人如何使用社交媒体传播癌症信息的重要性，这些信息最终可以在未来通过Twitter(和其他社交媒体渠道)用于实时癌症意识干预。

总的来说，我们发现白人和非洲裔美国用户中“癌症”的提及频率在季节性增减方面是相似的，尽管与白人群体相比，非洲裔美国人在这一广义术语的正常化推文频率中保持了更高的百分比。就提到“乳腺癌”的频率而言，在研究期间的所有月份里，白人用户的使用率始终较高。正如预期的那样，在BCAM期间，这个术语的使用频率最高，在接下来的几个月里急剧下降，最终恢复到BCAM之前观察到的水平。白种人和非裔美国人都是如此;然而，在BCAM之后，非裔美国人在推特上提到“乳腺癌”的次数急剧下降。

这可能是未来干预措施的重点领域，旨在全年提高对乳腺癌的认识，这可能有助于增加知识，提高指南内筛查率，并在疾病负担过重的群体中增加预防活动。例如，由#bcsm(“乳腺癌社交媒体”)社区主持的每周推特聊天已被证明可以提高患者的意识，减少患者的医疗焦虑[ 31］．确定在BCAM期间活跃的个人，并邀请他们参与Twitter聊天，可能是在疾病负担过重的群体中建立一个积极参与癌症讨论的持续社区的一种方式。使用一致的标签可以促进聊天，这是Twitter上为标记关于特定主题的推文而设计的一种惯例。邀请专家和名人来主持聊天会议可能是促进持续参与的一种方式，特别是因为人们倾向于在社交媒体上更喜欢地位和可信度高的健康信息。 25］．这些干预措施将利用Twitter提供即时信息和社会支持的能力，让个人全年积极参与有关癌症的循证讨论。 56］．这种干预方法可能也适用于其他类型的癌症。

在PCAM期间，与非裔美国人相比，白种人讨论前列腺癌的频率要高得多。在7月和1月，在白人用户中，我们观察到前列腺癌讨论的最低水平。相反，在非裔美国人中，从8月到1月，我们观察到前列腺癌的讨论稳步下降。在PCAM之后，我们观察到两组中“前列腺癌”一词的使用频率都有所下降;然而，这些下降比其他癌症宣传活动观察到的下降要慢。例如，在检查术语“肺癌”的使用频率时，我们观察到在11月(LCAM)达到峰值，然后急剧下降到低于LCAM之前几个月观察到的水平。

癌症宣传月活动之后的几个月也有有趣的发现。虽然宣传月活动(如PCAM, BCAM, LCAM)在促进围绕各种癌症主题的讨论方面可以被认为是成功的，但我们的研究结果表明，在特定的癌症宣传月期间，通过Twitter提到的癌症术语证明，这些活动似乎没有保持长期的兴趣和讨论。在检查乳腺癌的讨论频率时，这一现象尤其明显，但在肺癌和前列腺癌的社交媒体活动中也存在。事实上，我们的研究结果表明，与前几个月相比，种族和民族群体在宣传活动后往往会回到较低的参与度状态。值得注意的是，这种讨论频率的减少似乎在少数群体中更为普遍。例如，与项目前几个月相比，非裔美国人在BCAM项目后一个月的参与人数减少了73%。在白种人中，我们也看到了参与度的下降，我们观察到只有47%的下降。与LCAM相似，我们观察到非洲裔美国人的发病率下降了50%，而白种人的发病率下降了25%。最后，在大肠癌的讨论方面，我们发现在整个研究的几个月里，参与者很少。这可能是营销不力或某些人群对该话题的禁忌性质的表现，以及由于我们的数据收集系统的技术问题，在结直肠癌宣传月(CRCAM)期间缺乏推文的收集。

参与人数的下降可能与媒体曝光和框架有关，这两种媒体效应是由健康的结构性决定因素(如社会经济地位、种族、民族)介导的[ 57］．媒体曝光是指个人在大众媒体上接触到有关癌症信息的程度，而不是专门寻找癌症信息的程度;框架描述了大众媒体如何讨论癌症等话题。这一发现表明，有必要对少数群体采取适当的干预措施。例如，使用Twitter分享关于癌症的故事可能会特别有成效。数字叙事已成功应用于旨在提高乳腺癌、结直肠癌和前列腺癌的认识和提高筛查率的干预措施中[ 57- 59］．虽然推文很短，但它们可用于分享简短的叙述，或可与其他讲故事的技术结合使用，提供关于癌症的引人入胜的叙述，目的是提高对疾病负担过重的人群的认识，并传播关于癌症的可信信息[ 60］．

随着社交媒体的日益普及以及它所提供的以前无法获得的个人见解，社交媒体挖掘为流行病学研究提供了新的机会和方法。现有的研究考察了社交媒体对健康的影响，如之前的工作所示[ 32研究人员得出结论，烟草控制计划在利用社交媒体平台的潜力方面无效。此外，Thackeray等人在BCAM期间检查了乳腺癌相关推文的频率[ 25并得出结论，Twitter可以成为一种工具，用于增加健康对话，以最大化健康营销。在本研究中，我们研究了如何使用新的文本挖掘技术通过词汇分析来提取用户的种族和民族，从而为未来的研究提供了新的机会，以潜在地解决种族和民族健康差异。然而，这项工作可以进一步扩大，以检查其他人口特征之间的差异，以及调查癌症以外疾病的差异。最后，了解社交媒体用户的人口构成也为适当定位健康教育材料提供了新的机会。

本研究存在一定的局限性，应予以考虑。首先，我们的研究结果只提供了所有推文的一瞥，这些推文集中在一年内没有私人推特账户的用户的癌症特定主题上。因此，人们很可能低估了通过Twitter讨论癌症的频率。与此相关的是，有可能由于我们在用户中选择了关键字或使用了替代术语和/或某些单词的拼写，而错过了感兴趣的推文。根据我们选择检查的关键词，我们可能错过了感兴趣的推文，因此，癌症相关推文的真实频率可能高于我们目前在分析中检查的频率。尽管如此，我们对779,653名独立推特用户以及他们在9个月内发布的推文进行了大规模系统检查，仍然为了解用户与一般或特定癌症主题相关的社交媒体活动提供了有意义的线索。由于这篇稿件的范围和篇幅限制，我们选择使用Twitter用户最关注的癌症术语来报道几个具有代表性的案例研究。通过这些多个案例研究(通常由所提出的方法实现)证明，新方法有望普遍适用于检测、跟踪和比较用户对其他癌症或疾病主题的兴趣。此外，由于我们收集系统的技术问题，我们无法保留从2014年5月中旬到7月底收集的推文，这可能是导致“结直肠癌”一词使用频率非常低的原因。此外，3月CRCAM不在我们的收集期，这也可能是“结直肠癌”一词出现频率较低的原因。 Another possibility is that not all public tweets were delivered from the Twitter public API; but there is no way to determine the likelihood of this possibility. The collection period excluding winter and post-holiday months (late January to March) could potentially miss important patterns that may emerge through the analysis of this time period.

最后，由于一些地区、时间和国家特定的因素可能会对通过Twitter分享或交流的信息内容产生一些影响，我们花了相当大的力气将我们的数据集限制为美国用户。理想情况下，我们希望通过twitter提供的变量来过滤数据集，区分美国用户和非美国用户。然而，由于Twitter不提供这些信息，我们选择采用另一种方法来提取美国用户，即查看用户个人资料的“位置”部分。这是Twitter提供的一个文本自由区域，用户可以在这里输入纽约或加州旧金山等信息，不包括在个人资料中位于美国以外地区的用户。选择这种方法有以下两个原因:(1)只有一小部分用户提供带有地理标记的推文，(2)很难假设在国际上拍摄的带有地理标记的推文不属于美国公民。推文的地理标记在特定用户的位置上是不同的，因此不能准确地了解用户定义为家的位置。

这项研究表明，社交媒体可以作为一个非常强大和重要的工具，实时向社区实施和传播关键的癌症教育和意识信息。这些发现可以帮助改进未来的社交媒体研究，通过语言差异学习用户的特征，确定用户群体内的趋势，并针对特定群体的健康教育文献。这项研究还引入并测试了一种新的方法，用于在社交媒体用户中识别种族和民族，这为研究种族和民族的风险状况、风险因素和行为提供了独特的机会，并通过针对特定种族和民族群体的有针对性的干预和基于证据的信息传播，对减少差异具有重要意义。