这项研究是对作为病毒2病毒的一部分收集的数据的扩展分析，病毒2是一项关于美国年轻男性Twitter消息内容的研究[ 20.］．在病毒2病毒研究中，研究人员从2016年1月1日至2016年12月31日之间发布的Twitter消防软管应用程序编程接口(API)中收集了一个随机样本。他们使用既定程序对该样本进行筛选，仅包括预测男性性别和预测年龄为13至24岁的用户(N= 33.6万名用户)[ 29］．在这项研究中，我们通过收集在病毒2病毒中识别的用户的完整时间轴(即从2009年到2017年由给定用户发布的全部推文集合)来扩展原始推文集。用于生成最终数据集的后续过程反映了Stevens等人所描述的过程[ 20.]，使用这组扩展的推文。我们在下面简要描述这些程序。

最初的推文语料库随后被子集化，只包括那些与艾滋病毒相关的内容。艾滋病毒相关内容是通过与青年研究人员合作开发的艾滋病毒相关术语关键字列表(例如，与艾滋病毒、艾滋病、艾滋病毒检测、避孕套、多个性伴侣、性传播感染[STIs]、性风险行为和暴露前预防[PrEP]相关的术语)确定的。这一过程生成了一个包含2009年至2017年发布的24,388条推文的数据集，并将其分为3大类:艾滋病毒预防特定推文(n=5057)、一般性相关推文(n=19,319)和促进风险行为的推文(n=12)。为了保留与艾滋病毒风险和预防最相关的推文，同时将数据集减少到更易于管理的大小，我们包括了与预防相关的推文和促进风险行为的推文的完整样本，以及与一般性相关的推文的随机样本(3091/ 19,319,16.0%)。这产生了来自1541个独立用户的8160条推文的最终数据集，然后由4名研究助理组成的团队对消息内容进行编码(所有结构的类内相关系数均为0.80或更高)并用于分析。用户类型是根据研究小组成员在数据集中手工审查用户简介和每个用户最近发布的帖子确定的，并记录为个人(如个人的个人帐户)或机构(如公共卫生机构、社会服务组织或倡导团体)。不明确的用户类型或研究人员无法确定的用户类型被记录为缺失，并从数据集中删除(n=150)。最后的分析样本包括来自1499个独立用户的8010条推文。父研究所用方法的完整描述已在其他地方发表[ 20.］．

宾夕法尼亚大学机构审查委员会审查了这项研究，并指定其豁免，因为该研究(协议#827833)不符合人类受试者研究的定义。

我们估计了一系列逻辑回归模型，以评估用户级和推文级特征对2个离散响应变量的影响:认可和参与。我们使用最小绝对收缩和选择算子(LASSO)作为模型构建技术。LASSO是一种惩罚回归的形式，它迫使不太重要变量的回归系数为零，从而产生具有更少变量和更高预测精度的模型[ 30.］．

由于LASSO回归系数有偏差且不容易解释，我们使用了该技术的一种扩展，称为松弛LASSO，该技术将LASSO方法用于初始模型选择与多重逻辑回归相结合，用于非惩罚系数估计[ 31］．因此，使用lasso选择的变量为每个结果建立独立的多重逻辑回归模型。最终的模型选择采用逆向淘汰程序，仅保留在0.05水平上具有统计学意义的预测因子。从最终的多重逻辑模型中，我们在控制协变量的影响的同时，估计了利益预测因子的调整优势比(aORs)。统计显著性评估使用 P瓦尔德卡方检验的值。所有分析均使用glmnet包进行[ 32在R统计软件(R基础统计计算)。

最后，为了评估模型的整体预测精度，我们绘制了受试者工作曲线(roc)，并计算了曲线下面积(AUCs) [ 33］．ROCs，在 图1，显示假阳性率(错误分类为背书或参与的推文比例)和真阳性率(正确分类为背书或参与的推文比例)之间的关系;也称为灵敏度)的分类器对所有可能阈值[ 34]， AUC值越高，模型的预测能力越强。也就是说，ROC曲线上的每个点表示在给定阈值下分类器的假阳性率和真阳性率。ROC曲线和AUC是评价分类器性能(准确性)的方便工具[ 34］．如果ROC曲线绘制在靠近左上角的位置，这将表明该模型能够以较低的假阳性率对任何阈值正确分类认可或参与的推文(AUC将接近1)。相反，如果模型不能准确预测推文的认可或参与(有效地生成随机预测)，ROC曲线将是一条对角线(即AUC=0.5)。

表1总结了研究样本中用户和推文特征的描述性统计。用户的平均预测年龄为18.72岁(SD 3.08岁)，其中约一半(4096/8010,51.1%)为机构用户。好友数量和关注者数量呈正向倾斜。朋友数量的中位数是435个(IQR 273-800)，而平均值是822个。追随者的数量也表现出类似的模式，中位数为591,IQR为241至1179,2005年追随者的平均值。虽然平均粉丝数是2005年，但大多数推文(6008/8010,75.0%)来自粉丝数少于1179的用户。这种差异是由于少数用户拥有极高的粉丝数量。超过一半的推文(4411/8010,55.1%)是在白天发布的，26.8%(2146/8010)是在晚上发布的，18.1%(1453/8010)是在晚上发布的。推文的平均长度为94 (SD 31.88)个字符，略偏向于较长的消息。约12.0%(959/8010)的推文被归类为对其他用户的回复。 With respect to tweet content, the most common message categories were HIV/AIDS (4438/8010, 55.4%); research, education, and news (3667/8010, 45.8%); unrelated sexual content (2314/8010, 28.9%); and anti–risk-taking (1208/8010, 15.1%); see 多媒体附件1用于每个消息类别的频率。在样本中的推文中，25.6%(2049/8010)得到了认可，18.0%(1438/8010)获得了参与。

对于每个感兴趣的结果(推文背书和推文参与度)，我们使用lasso选择的预测因子估计逻辑回归模型，并通过绘制roc和测量auc来评估模型的整体性能。我们注意到，初始模型包括了中列出的所有变量(不包括结果) 表1而且 多媒体附件1为预测因子。

这项研究旨在评估年轻男性发布的与艾滋病毒风险和预防相关的推文的用户级别和推文级别特征与认可和参与之间的关系。我们的分析表明，用户和推文本身的特征都与推文背书和参与度有关。鉴于促进与有关艾滋病毒预防的媒体内容的积极互动是公共卫生社交媒体战略的一个关键组成部分[ 36]，这些结果对艾滋病预防工作具有重要意义。

我们发现，与机构用户相比，来自个人账户的推文获得认可的可能性高出3倍，获得参与度的可能性高出75%。这一发现表明，消息来源是如何接收艾滋病毒相关推文的一个重要因素，来自机构用户的艾滋病毒相关消息可能不会与年轻人产生强烈共鸣。先前的研究表明，虽然在线艾滋病毒信息的机构来源可能被认为更可信，但同龄人的经历可能在塑造态度和自我效能以改变行为方面更有影响力[ 37］．在考虑如何使用与在线传播有关的资源时，围绕艾滋病毒预防的公共卫生宣传工作应承认这些发现;使用机构账户在社交媒体平台上发布消息可能不会导致年轻人有意义的参与。因此，通过社交媒体干预促进与艾滋病毒相关主题的对等讨论可能更有可能影响青年的态度和行为[ 38］．然而，值得注意的是，尽管机构的推文不经常被转发或收藏，但仍有可能有许多用户阅读这些推文，并且这些信息是按照预期传达的。

结果表明，与粉丝较少的用户相比，拥有许多粉丝的用户更有可能获得推文背书和参与度;每增加100名关注者，获得认可和参与的几率就会增加0.5%。这并不是一个令人惊讶的发现，因为拥有更多的粉丝会增加一个人的推文曝光机会，从而增加给定的推文得到认可或引起参与的可能性。我们没有发现用户的朋友数量与认可或参与度之间有任何联系，这表明在Twitter上拥有强大的追随者可能比通过友谊与其他用户保持高度联系更重要。拥有大量追随者的用户可能是名人或社交媒体影响者，或者只是被认为是名人或社交媒体影响者，可以利用他们的影响力来提高艾滋病毒预防信息的可见度。然而，考虑到该数据集中关注者的高度倾斜分布，认可或参与的几率与关注者数量之间的关系可能并不能说明全部情况。与名人网红(例如，粉丝超过1万的有影响力的用户)相比，用户更有可能参与微网红(例如，粉丝少于1万的有影响力的用户)发布的信息，因为他们与这些微网红之间的联系更紧密[ 39];然而，对这些关系的进一步研究是有必要的。撇开这些区别不谈，有影响力的人很容易在推特上接触到大量受众，并可能成为公共卫生活动或其他利用社交媒体与年轻人互动的信息传递活动的重要组成部分。 40， 41］．

本研究的结果对民意领袖干预的实施具有启示意义。POL干预措施旨在确定、招募和培训社区的关键意见领袖，以促进健康行为并挑战危险的社会规范[ 42］．这些领导者作为行为改变的早期采用者，可以为正在考虑做出类似改变的同行提供榜样和支持。我们的研究结果表明，除了信息内容的质量和原创性等特征外，拥有大量粉丝的社交媒体用户可能会对其信息产生大量的参与度，从而使他们成为意见领袖的良好候选人[ 43］．未来的干预措施应寻求通过在线社交媒体将POL原则纳入与艾滋病毒预防相关的干预措施。

研究结果还表明，推特上的信息内容与推文背书和参与度有关。提到性传播感染的推文获得的支持和参与度下降，主要关注研究、教育或新闻的推文显示出较低的支持水平。然而，反映社会规范(关于自己或他人如何表现或应该如何表现的观点)的推文获得了更高的参与度，这表明年轻人渴望参与关于同龄人感知到的行为或对这些行为的评价的对话。这些结果对努力开发预防艾滋病毒的卫生传播工具具有重要意义。围绕艾滋病毒和性传播感染的耻辱可能会扼杀有关性健康的对话，因为有证据表明，在不够匿名或保密的情况下，年轻人倾向于远离对这些问题的直接讨论[ 44］．此外，强调有关性健康的研究、教育或新闻的推文可能不会引起年轻人的共鸣，从而导致低背书率。围绕艾滋病毒预防的卫生宣传必须在承认这一耻辱的同时，不进一步加强这一耻辱。公共卫生教育工作不应避免直接讨论与艾滋病毒预防有关的问题，而应将这些讨论纳入性和性行为的更大背景，并将这些讨论与年轻人所处的社会现实联系起来(即承认和/或挑战社会规范)。

研究发现，信息的其他特征与认可、参与或两者都有关。预测年龄越大的用户获得粘性的几率越低，这可能反映了青少年和年轻人在平台使用上的差异。不同地理区域的支持和参与度有所不同，来自美国东北部的消息获得的支持和参与度最高，这反映了之前研究中看到的Twitter活动的地理分布[ 45］．更长的推文获得了更高的参与度，这一发现在之前的研究中已经有所描述[ 28］．之前的研究表明，人们对推特上信息的参与度在一天中有所不同，并根据消息内容而有所不同。 46］．在我们的研究中看到的信息参与度的变化，其中白天发布的信息参与度最高，晚上发布的信息参与度最低，这突出表明需要考虑发布公共卫生信息的时间。在我们的研究中，回复的参与度很低，这表明用户之间关于艾滋病毒的对话并不能刺激年轻人的参与。最后，在研究后期发布的信息获得了更大的认可，这可能反映了该平台在研究期间的受欢迎程度的增长。

将社交媒体信息纳入艾滋病毒预防方法的公共卫生工作将需要围绕信息创建、传递和评估制定新的战略。使用利用社交媒体文化元素的语言和风格，例如在信息内容中加入模因和可分享元素，可能比仅基于事实和知识的呼吁更能与年轻人产生共鸣[ 41］．未来的研究应该旨在收集关于推文的更多信息，包括与艾滋病毒预防以外的主题相关的定性代码(例如，模因的存在，名人引用)，这可能与推文参与度和背书有更强的相关性。此外，使用POL技术可以帮助克服和挑战性健康方面的污名，使人们可以在社交媒体平台上看到有关艾滋病毒预防的信息。

这项研究有几个显著的局限性。首先，我们的推文背书和参与度的结果捕捉了与社交媒体内容的主动互动，而不是被动暴露于推文内容。年轻人可能会因为羞耻感或尴尬而犹豫是否认可与性和性健康有关的信息，但可能仍在匿名阅读这些信息[ 47］．然而，关于推文浏览量的数据很难获得，研究可能仅限于与我们类似的背书和参与措施。其次，在这个数据集中，有几个用户贡献了大量的推文(例如，一个用户贡献了949条推文)，这引起了对观察的独立性的担忧。虽然获取高度活跃和广泛关注的Twitter帐户对这一工作很重要，但未来的分析应该考虑在用户层面上解释错误聚类的模型。第三，重要的是要注意，我们的推文背书和推文参与度模型显示，区分显示结果的推文和不显示结果的推文的能力有限(可接受的背书歧视和略低于可接受的参与度歧视)。虽然我们的研究表明，用户和推文级别的特征与推文的认可和参与有可衡量的关联，但还需要进一步的工作来确定用户和推文的其他特征，这些特征可能会加强推特上与艾滋病毒相关信息的认可和参与的预测建模。最后，还应该指出的是，本研究中分析的消息仅限于位于美国的Twitter消息。我们研究中看到的模式可能不适用于其他平台或其他国家的社交媒体信息。

年轻人广泛使用社交媒体平台，为艾滋病预防提供了新的交流机会。关于性和性健康的讨论在这些平台上广泛存在，这为公共卫生信息在这些对话中发挥作用提供了机会。要让年轻人就这些敏感且往往被污名化的话题进行接触，就需要采取创新战略，促进与艾滋病毒预防信息的有意义联系。公共卫生从业人员应与年轻人合作，设计和传播这些信息，纳入与青年受众产生共鸣的内容，并努力挑战污名，培养有利于公开和诚实地谈论性、性行为和健康的社会规范。