在这个实验方法中，用户的Klout分数——一种衡量他们在线影响力的指标——被用来比较来自移动健身应用程序的共享体育活动水平。

在这个实验中，我们研究了移动健身应用程序(Nike+、RunKeeper、DailyMile和Endomondo)中健身推文的分享情况，并根据参与者的性别和在线影响力(通过Klout评分来衡量)分析了这些数据。我们从数据集中确定了两种类型的活动推文:锻炼推文，其中包括由移动健身应用程序生成的推文，以及锻炼+推文，其中包括与锻炼推文相同的信息，但也包含用户创建的通信。我们假设Klout得分较高的人会分享更少的活动时间和更多的整体锻炼+推文。我们还假设，无论男女，Klout得分越高，共同运动的时间越短。

这项研究的数据来自现有的健身推文数据集，这些推文来自移动健身应用程序用户，他们在推特上分享自己的体育活动，在某些情况下，还会在推特上进行额外的对话。在184天的时间里，用23种不同的语言收集了2856534条推文。然而，为了本研究的目的，仅从活动推文中分析英语推文，总共有583,252条推文。

健身推文分类模型[j] 20.]用于将每条推文分为活动、花言巧语和对话的主要类别，然后再分为如下所示的子类别 图1．

从移动健身应用程序和每个相应的Twitter账户收集的不同类型的信息提供了许多不同且独特的数据点供审查。在这个实验中，这些数据点包括活动推文、用户的性别、体育活动的分钟数和用户的Klout分数。从四个选定的移动健身应用程序中对Twitter上的身体活动进行统计分析是在SAS 9.3中进行的，SAS 9.3是由SAS研究所开发的高级分析、商业智能和预测分析软件套件，使用两个关键数据集:(1)第一个数据集包括所有Twitter用户发送的与锻炼和锻炼+相关的推文的用户信息;(2)第二个数据集包含每个用户发送的所有实际推文。

在活动推文中，锻炼+推文共有408574条。从这个总数中，随机创建了23,391个样本。这些推文是用户生成的，最终用户为健身推文提供额外的文本(即，用户提供的补充信息超出了应用程序本身创建的信息)。然后根据移动健身应用程序使用相应的标签对推文进行分组。健身推文中没有大量的表情符号可用于情感分析。

使用AYLIEN Text Analysis for谷歌Sheet插件对每条收集到的信息共享对话推文进行情感分析，并通过Fitness tweets Classification Model进行过滤。

AYLIEN推文情感分析功能分为三个步骤:

在本实验中，使用情感分析工具对每条tweet进行分析，并返回积极、中性或消极的值进行分类。将这些数据保存到Excel电子表格中，以便通过将文本值转换为数值(正=1，中性=0，负= -1)进行额外的数据处理。

Twitter不收集用户的性别。为了能够跨性别进行比较，需要一种识别Twitter用户可能性别的方法。为了实现这一点，我们使用美国社会安全管理局的姓名数据库来匹配英文姓名和性别。来自社会保障局网站的姓名数据库收录了自1880年以来按性别排列的流行姓名。

在收集到的Twitter人口统计数据库(Twitter用户的全名是从Twitter收集的众多人口统计特征之一)和社会保障局数据库中进行的第一次性别匹配计算中，剔除了使用次数少于200次的名字，因为许多这样的名字在一个性别中比另一个性别更受欢迎(例如，女孩被命名为Aaron的概率<0.5%)。假设这一调整消除了名字中绝大多数的性别混淆。完成此操作后，使用Excel中的VLOOKUP函数将姓名与性别进行匹配。

对那些名字出现次数少于200次的Twitter用户执行第二次性别匹配计算，其中我们试图将性别分配给在第一轮中不匹配的其余名字。不匹配性别的用户名(<2%)不包括在分析中。

性别分配后，进行描述性统计分析，计算以下频率:(1)按性别划分的总分钟数，(2)按Klout评分划分的总分钟数，(3)按性别和Klout评分划分的总分钟数，(4)推文总数，(5)每条推文锻炼的分钟数，(6)锻炼和锻炼+推文总数(分别)。

为了检验推文的分布，所述推文描述的运动分钟数以及每条推文中提到的类别(锻炼或锻炼+)，有必要将用户的Klout分数分成四分位数。我们使用数据分类的四分位数方法来创建类别，将排名有序的数据集分成四个相等的部分。

这是通过SAS中的两步过程完成的。首先，使用SAS (PROC univariate)中的单变量程序检查Klout分数的分布，并根据该分布分配四分位数。其次，使用数据步长，将值1、2、3和4分别分配给第一、第二、第三和第四个四分位数内的观测值( 表1)。Klout评分的最大值为100，最小值为1。从收集的数据集确定Klout得分中位数为20.50。据Klout报道，Klout平均得分为40分，得分为63分的用户排名在第95百分位[ 27]。

描述性统计分析发现，男性占活动推文总数的57.9%(336,109/583,252)，女性占42.1%(247,143/583,252)。这种差异在Klout四分位数中是一致的( 表2)。

描述性分析扩展到比较男性和女性在活动类别。研究发现，在Klout最低四分位数中，锻炼组的男女发推文的频率都远高于锻炼+组(72.01%，420,010/583,252对27.99%，163,242/583,252)。这种趋势在Klout分数的第二和第三个四分位数中略有下降，然后在Klout分数的最高四分位数中急剧下降。在这个四分位数中，推文的数量变化要小得多(56.79%，70,229/123,656 vs 43.21%， 53,427/123,656)。

使用SAS内的方差分析程序(PROC ANOVA)比较每个性别的推特平均分钟数，使用类语句中的性别，并将模型设置为分钟=性别。研究发现，总体而言，男性和女性发推文的平均分钟数并没有显著差异。然而，在Klout得分最低的四分位数(Klout≤11.92)的女性中，推特的平均分钟数几乎是两倍。

在分配四分位数后，我们使用SAS中的PROC FREQ检查了Klout分数的每个层内的观察频率，如下( 表3):(1) Klout评分四分位数的分钟数;(2)Klout评分四分位数的运动类型。

同样使用SAS中的方差分析程序，分析比较了锻炼组(锻炼组与锻炼+组)的推特总分钟数，发现了统计学上显著的差异( P= . 01; 表4)。

总的来说，原始数据集中有23,391条唯一的tweet符合这个随机样本的过滤标准。这项分析使用了四款移动健身应用:DailyMile、Endomondo、Nike+和RunKeeper。所有移动健身应用的整体情绪表明，这些健身+活动推文中有一半本质上是中性的( 表5)。此外，正面推文的数量是负面推文的四倍。移动健身应用对消极、中性和积极情绪的情绪分析细分也呈现在 表5．

根据这项研究，男性比女性更频繁地使用Twitter和移动健身应用程序分享他们的锻炼(54.35%，336,109/618/458 vs 45.65%， 282,349/618,458)。尽管我们认为这是第一次对使用Twitter的移动健身应用分享体育活动的性别分析，但之前关于Twitter整体性别使用情况的研究表明，使用Twitter的女性多于男性。 28一些非学术研究表明，每月有4000多万女性使用Twitter, 62%的Twitter用户是女性[ 29)，而Klout得分较高的往往是女性。另一项关于性别的研究表明，女性在Twitter上可能比男性更活跃，女性每20小时发一次推特，而男性每26小时发一次推特。 30.]。

然而，使用第三方软件“人口统计专业”对我们的数据集进行的进一步研究表明，健身推特数据集中的移动健身应用用户平均是30岁出头的男性，通常已婚有孩子，收入高。对那些也在推特上发布自己体育活动的移动健身应用用户的其他见解包括，这一群体最常见的职业是程序员、摄影师、教会领袖、设计师和教师。这个群体的Web开发人员非常集中(在整个Twitter分布中排名前10%)。在业余时间，他们特别喜欢啤酒、政治新闻、葡萄酒、喜剧/幽默和烹饪。这一群体的人慷慨大方，特别注重健康。推特上最受关注的运动包括自行车、滑雪和高尔夫。作为消费者，这一群体相对富裕，消费主要集中在科技、餐饮和健康健身方面。他们最强的品牌包括Apple Store、Trader Joe’s、CrossFit、Trek Bicycle和MyFitnessPal。

通过移动健身应用程序的用户界面，极大地增强了锻炼+推文的共享。当比较四个移动健身应用程序的活动推文总数(锻炼推文加上锻炼+推文)时，最受欢迎的移动健身应用程序是Endomondo(211,240条推文)，其次是耐克plus(203,991条推文)，DailyMile(183,732条推文)和MyFitnessPal(70,723条推文)。男性和女性的使用排名顺序相同(男性:Endomondo为123482,NikePlus为116388,DailyMile为106846,MyFitnessPal为70723;女性:Endomondo 87,758人，NikePlus 87,603人，DailyMile 76,886人，MyFitnessPal 30,233人。然而，在查看健身+推文时，有很大的差异:97.67%(173,790/177,943)的健身+推文来自DailyMile, 1.89%(3358/177,943)来自NikePlus, 0.44%(776/177,943)来自Endomondo，而MyFitnessPal没有健身+推文。在回顾这四款移动健身应用的用户界面时，很明显，与其他三款移动健身应用相比，DailyMile的设计不仅使分享锻炼更容易，而且还能分享有关锻炼的额外信息。同样在活动推文的评估期间，Endomondo使用了一个名为@addthis的第三方服务来分享锻炼+推文。由于MyFitnessPal没有发布“锻炼+”的推文，我们确定这款应用做出了一个设计决定，不允许用户分享有关他们体育锻炼的额外信息。

在数据集中的113,340名用户中，97.21%(110,186名用户)仅通过一款移动健身应用发布了他们的体育活动，3105名(2.74%)用户使用了两款移动健身应用，101名(0.09%)用户分享了三款移动健身应用，只有一名(0.0009%)用户分享了四款移动健身应用。我们基于对每个用户推文的分析，无法确定应用程序的实际使用情况，只能确定应用程序共享的体育活动数据。我们推测，超过97%的人只使用一款应用的一个原因可能是忠诚度，但其他原因，比如糟糕的用户界面，以及难以将Twitter账户与移动健身应用连接起来，可能也是其他原因。

我们相信，从移动健身应用中分享一个人的体育活动和额外的评论(为了这项研究的目的，称为锻炼+推文)可以为研究人员提供过去可能难以衡量的新见解。许多移动健身应用程序的设计都允许用户分享一些特征，比如他们和谁在一起、天气类型、体育活动的地点，以及他们对体育活动的直接想法。这些和其他见解将使体育活动研究人员能够更好地了解一个人如何以及为什么参加体育活动的实时原因、想法和情绪。这些数据将使人们更好地了解身体活动的复杂性，然后可以用于增强移动健身应用的设计，作为减少缺乏身体活动的潜在工具。

正是通过分析和解读，来自移动健身应用程序的健身推文上下文提供了对正在被分享的内容、被谁分享以及出于什么原因的洞察。根据收集到的信息类型，可以预期，通过Twitter使用移动健身应用分享的大多数活动都是更结构化的锻炼类型，而不是持续监测日常身体活动。这可能是由于用户手机上的额外电池消耗，这将阻止全天使用该应用程序。此外，推文的结构也表明，这些活动是根据持续时间来衡量的，表明活动如跑步、散步、骑自行车或传统锻炼。由于某些活动tweet的性质，可以提取其他信息，包括实际类型、距离和花费在活动上的时间。在数据库中有可能出现异常值。例如，第一次使用移动健身应用程序可能是用户测试移动健身应用程序，这可能会提示一个持续时间很短的活动(秒而不是分钟)的活动tweet，而当用户没有正确结束他或她的移动健身应用程序活动会话时，很长时间的活动有时会被记录下来。事实上，一些持续时间较长的活动可能是长时间的锻炼。例如，一个为马拉松训练的人会跟踪长距离跑。

根据研究数据，计算了通过Twitter(活动推文)分享锻炼的移动健身应用的一次性用户数量。尽管该研究无法确定一个人是否继续使用移动健身应用程序而决定不通过Twitter分享，但可以确定的是，在所有用户中，17%至27%的用户只使用过一次分享到Twitter的功能，这取决于应用程序。一次性使用可能存在许多原因，包括用户错误，分享功能的实验，或者由选择移动健身应用程序的用户进行测试。从使用移动健身应用程序发布活动并通过Twitter分享的165,768名用户中，数据库包含了6个月期间的76,192,059分钟的活动。这些分钟相当于52911天，1738个月，或者超过145年的活动分钟总和。我们无法确定这项体育活动是否是每个用户在这段时间内唯一进行的体育活动，因为我们可以理解，用户可能在没有使用移动健身应用的情况下完成了体育活动。

这些发现和解释应被视为探索性和推测性的，因为它们代表了在较短的开发时间内可以做的事情，并且对于非计算机编程的健康促进研究人员来说很容易使用。