关于大麻二酚的个人和商业推文的信息流行病学检查:术语和情感分析

简介

尽管大麻作为一种药物已经使用了几个世纪，但在1937年，使用大麻在美国被定为犯罪。然而，从20世纪90年代开始，尽管大麻在联邦一级仍然是非法的，一些州开始允许大麻的医疗用途[1］．随着越来越多的州出台了宽松的大麻政策，公众对大麻药用特性的兴趣逐渐转向了大麻二酚(CBD)。CBD是在大麻植物的变体中发现的一种活性化学物质，它不具有大麻植物的四氢大麻酚(THC)成分的精神活性副作用[2］．

近年来，医用大麻的用途已成为公共政策的一个主要讨论点，特别是在在线社交媒体话语中[3.，4］．特别是，消费者报告称，他们使用CBD来治疗各种疾病，包括癫痫和其他神经系统疾病、失眠和一些精神疾病。CBD仍然不受食品和药物管理局(FDA)的监管，也没有像大多数药物那样对其许多特定用途进行结论性试验。事实上，FDA迄今为止只批准了一种大麻衍生药物和三种大麻相关药物——所有这些都需要处方——而且它还没有批准将大麻作为一种安全有效的药物来治疗任何疾病[5］．Palmieri等[6报道了CBD在治疗皮肤炎症和疤痕方面的良好效果。也有许多关于CBD作为焦虑和睡眠障碍治疗方法的研究[7-10]，作为止痛剂[11-13]，以及作为治疗癌症和癌症副作用的方法[13-15］．

尽管大多数基于CBD的药物和营养补充剂对于它们所使用的许多适应症并没有证明安全性和有效性，但在公共流通中仍有许多关于CBD对广泛疾病的有效性的声明。

社交媒体是病毒式CBD营销和个人分享个人使用经验的主要场所。尤其是推特，它是一个有用的平台，可以了解大麻(包括CBD)是如何向消费者营销的，以及个人是如何使用大麻的，因为它提供了一个庞大的个人和商业推文语料库[j]。3.］．此外，情感分析可用于个人和商业CBD推文，以评估用户对CBD治疗特定疾病的满意度。

因此，我们提出了一个在社交网络中使用文本挖掘的框架，可以帮助公共卫生专家了解个人和商业主张以及对CBD等不受监管物质的看法。这个框架有两个实际的优点。首先，与管理调查或利用政府和卫生提供者的数据相比，这些数据易于获得，而且使用成本低廉。其次，公共卫生研究人员已经表明，情绪分析是了解公众对药物、疾病和医疗服务的看法以及检测某些形式的抑郁症的有效工具[16-19］．

为了证明这个框架的有用性，我们区分了反映个人CBD使用的推文和反映CBD销售、推广和商业化的推文。分析了两个产生的推文语料库中与医疗相关的术语，如病情、副作用、解剖学术语和所提到的其他物质的使用。这种方法使我们能够识别在线CBD营销中使用的术语与服用CBD的个人引用的术语相关。此外，我们对个人CBD推文进行了情绪分析，以评估公众对CBD治疗某些疾病有效性的看法。我们还能够使用情感推理的价知字典(VADER)模型来计算个人和商业CBD推文的情感，参考特定的医疗条件。使用了VADER情绪模型，因为它是专门用于分析Twitter等社交网站上帖子的情绪。20.］．自开发以来，VADER已被用于衡量推特用户、政治推文以及课程评估对数字助理的看法[21-24］

这项研究的结果将提供关于公众对CBD的看法以及CBD如何通过社交媒体平台进行营销的重要信息。随着社交媒体的兴起，错误信息也在增加。最近，研究人员利用社交网络分析了这些与医疗错误信息有关的概念[25-28]，这可能会导致负面的健康结果。因此，未经证实的夸大、夸大和谎称CBD的医疗效益的说法在互联网上自由流传，导致许多人想知道如何评估在医疗环境中使用CBD的实际效益(如果有的话)。这些声明中提到的一些疾病包括婴儿耳痛、自闭症、注意力缺陷和多动症、帕金森病和阿尔茨海默病[29］．通过使用为本研究开发的可适应和可推广的框架分析关于CBD的个人和商业推文，公共卫生和医疗专业人员可以更容易地识别与CBD声明有关的病毒错误信息。

方法

框架开发

为了构建这个框架，我们收集了提到“CBD”或“大麻二酚”的推文。然后，我们从这些推文中随机抽取样本，并将其标记为个人CBD参考(真/假)或商业CBD参考(真/假)。使用这些带注释的推文，我们训练了两个二进制文本分类器，将个人和商业CBD推文从更大的推文集合中分离出来。使用这两个推文语料库，我们确定了最常出现的医学相关术语(与疾病、病症、症状、身体部位、其他物质、大麻等相关的术语)，并比较了两个语料库中这些术语的频率。图1提供从数据收集到分类的框架的可视化描述。然后，我们使用VADER模型计算了包含特定术语的个人CBD推文的情绪，以评估CBD对治疗这些情况的满意度。

‎ 查看此图

数据收集

我们使用Tweepy Python包作为Twitter实时流的接口从Twitter公共流中收集推文，该包提供了大约1%的公共推文创建时的访问权限。我们的数据收集时间为2019年10月7日至2020年1月26日，并使用了搜索词“CBD”和“大麻二酚”。我们选择这个时期是因为它代表了CBD开始流行的时期。我们将收集时间限制在大约3.5个月，这样我们就可以在一个时间窗口内收集足够数量的推文，以避免数据中的潜在概念漂移。我们还设置了过滤器来收集用英语写的原创推文(即，没有转发)。我们不希望包括转发，因为这些推文的实际内容链接到另一个作者，并且在文本上与现有推文几乎相同。对于收集的每条推文，我们保留了完整的推文文本、推文的ID、创建推文的时间以及撰写推文的Twitter用户。结果收集了567,850条推文的数据集。

推特注释

为了从567,850条推文中识别个人和商业相关的CBD推文，我们在5496条推文样本上构建了两个二进制分类器。这个推文样本是通过从我们的集合中提取6000条推文样本并删除带有逐字重复推文的条目来获得的。注释个人CBD推文的过程包括评估样本中的每条推文是否来自个人(即，不是“机器人”)，讨论CBD的过去、当前和/或未来使用。注释商业CBD推文的过程包括评估样本中的每条推文，看它是否来自销售、广告或推广CBD的实际(即不是“机器人”)非新闻实体。这些分类器被用来区分个人和商业cbd相关的推文。为了训练这些分类器，样本中的所有推文都被手动标记为与cbd相关的个人推文或与cbd相关的非个人推文，以及与cbd相关的商业推文或与cbd相关的非商业推文，根据其全文内容(最多由280个字符组成)。文本框1提供了一些与cbd相关的个人和商业推文示例，以及文本框2提供了一些我们遇到的对于个人和商业CBD类都被认为是错误的引用CBD的推文类型的示例。

对人工注释的推文的分析表明，个人和商业cbd相关数据集的类别是不平衡的;非个人的cbd相关推文是个人cbd相关推文的7.7倍，非商业性cbd相关推文是商业性cbd相关推文的10.2倍。为了达到训练集中的类的平衡，我们通过取一个与负类大小相等的随机样本，对训练集中的正类进行了下抽样。表1而且表2显示个人和商业cbd相关推文类别的分类频率，分别在降采样之前和之后。

分类培训

在训练二进制分类器将整个数据集分类为个人和商业cbd相关的推文之前，我们对推文的文本进行了预处理，方法是将所有url规范化为一个一致的字符串，删除特殊字符和英语词性，将所有文本转换为小写字母，并进行词元化。执行这个预处理是为了减少数据中的噪声，这可能会影响我们的推文分类器的性能。然后在标注样本的80%(5496中的4396)上训练二进制分类器，并在标注样本的剩余20%(5496中的1099)上进行验证。然后，我们基于使用n-gram从1到3的范围内的tweet中的单词创建了一个术语频率逆文档频率(TF-IDF)特征矩阵，以及基于使用n-gram从3到6的范围内的tweet中的字符创建了一个TF-IDF特征矩阵。得到的矩阵水平堆叠，作为训练分类器的模型的输入。

为了训练两个二进制分类器，我们使用逻辑回归模型执行了5次交叉验证网格搜索，以找到参数的最佳组合。参数的范围显示在表3．在训练二进制分类器之后，我们将每个模型应用于更大的CBD推文语料库。为了弥补由于平衡而导致的小验证集，我们对来自我们集合的500个不平衡推文随机集进行了额外的后分类测试，以确认我们的模型在真实世界的不平衡数据上表现良好。该样本使用与训练集相同的方法进行注释，隐藏了预测结果。我们将在结果部分中进一步详细讨论分类。

一项分析

为了跟踪排序后的商业和个人CBD推文中引用的医学术语，我们计算了两个推文语料库中前1000个单词的术语频率。然后我们通过参考标准英语、医学(Systemized Nomenclature of Medicine-Clinical terms [SNOMED CT])和俚语词典来确认这些术语是否与相关的医疗状况、医疗症状、身体部位和/或其他药物/物质有关。我们将这些术语分为三组:健康/医疗、大麻相关术语和其他物质。在健康/医疗组中，我们包括了与疾病、食物、症状和身体部位相关的术语。我们将同样的逻辑应用于似乎是标签的术语，通过检查组成标签的单个单词的相关性。我们将与大麻相关的术语分组在一起，并将它们与其他物质组分开，因为与CBD和thc相关的推文似乎有重叠，它们都引用了更广泛的大麻植物;我们包括了与大麻相关的俚语，以及通常与大麻输液有关的食物(如橡皮糖，蜂蜜)。其他物质组包括指任何其他药物或药物的术语。有一些单词被包含在多个组中的例子。例如，“high”是大麻的副作用，但在大麻和CBD的推文中都常用。 Additionally, we considered terms that may represent side effects caused by taking a substance, especially terms commonly associated with cannabis. Finally, we compared the overall frequency of the top occurring terms relative to their frequency in either the personal or commercial class of tweets, and produced a visualization of relevant term frequencies. We used the Scattertext Python package to generate a graphical representation of the frequencies within the personal and commercial CBD classes for each of the three term groups [30.］．

情绪分析

我们使用VADER模型来计算个人和商业CBD推文的情绪，这些推文参考了特定的医疗状况。由于该情绪模型将标点符号和文本大写合并到计算情绪中，我们使用原始推文文本作为模型的输入。VADER模型根据推文中每个单词的配价分数的总和，为每条推文生成一个介于-1到+1之间的标准化分数。我们根据Hutto和Gilbert推荐的阈值将每条推文的得分转换为3级分类变量。20.]:(1)积极情绪，复合得分≥0.05;(2)中性情绪，复合评分> -0.05和复合评分<0.05;(3)消极情绪，复合得分≤-0.05。

然后，我们分析了在包含与特定定义的条件和症状相关的术语的推文中，复合得分和情绪类别(积极、消极、中性)的分布。由于VADER模型部分基于字典评分，而且许多与疾病相关的术语可能会影响推文的整体情绪(例如，疼痛、压力、癌症)，作为我们分析的一部分，我们计算了VADER情绪评分，包括感兴趣的医学术语和不包括医学术语，并使用VADER评分比较了平均VADER评分t测试以确定是否有任何个人兴趣术语对分配给一条推文的整体情绪产生偏见。的目的t测试的目的是确定包含某些术语的商业CBD推文与引用相同术语的个人CBD推文所传达的情绪之间是否存在统计学上的显著差异。例如，“CBD真的有助于我的疼痛”的VADER情绪得分为-0.171，而“CBD真的有助于我的疼痛”的VADER情绪得分为0.4391，其中“疼痛”一词本身就拥有如此负面的VADER情绪得分，以至于它影响了推文的整体情绪得分。

道德

本研究利用了公开可用的数据，并由路易斯维尔大学机构审查委员会批准注册(批准方案20.1122)。

结果

分类

我们分别训练了个人和商业CBD推文的二进制分类算法。在最优个人CBD分类器(逻辑回归:C=3.36，惩罚=none，求解器=“newton-cg”)和商业CBD分类器(逻辑回归=428.13，惩罚=“l1”，求解器=“saga”)中，我们观察到从不平衡样本的平衡数据中得出的较小验证集之间的分类性能下降。尽管在不平衡数据上的分类性能有所下降，但个人和商业CBD分类模型都能够实现接受者工作特征曲线下面积分数高于0.80。表4而且表5分别展示了个人和商用CBD二元分类器的性能。当个人CBD二元分类器应用于推文集合时，它将167,755条推文分类为个人CBD相关推文。当商业CBD二元分类器应用于推文集合时，它将143,322条推文分类为商业CBD相关推文。

一项分析

我们为个人和商业推文语料库生成了ungram频率。我们查看了出现频率最高的1000个术语(不包括常见的英语停顿词)，并手动检查这些术语是否与健康有关;健康;疾病;副作用;条件;身体部位;和/或参照标准英语、医学和俚语词典引用其他物质。

在其他提到大麻的推文中(图2)，与thc相关的术语似乎在个人和商业推文语料库中都被提及，其中包含这些引用的标签在商业CBD推文中更常见。饮料、褪黑素和药片这些术语在其他物质组中被提到(图3)在CBD的个人和商业推文中。克拉托姆和中链甘油三酯(MCT)在商业CBD推文中被提及的频率更高，而在个人CBD推文中被提及的频率更低。在个人CBD推文中提到酒精的次数略高于平均水平，而在商业CBD推文中提到酒精的次数低于平均水平。阿片类药物被提及，但在个人和商业CBD推文中都很少提及。在健康和健康组(图4)、疼痛、睡眠和焦虑在个人和商业CBD类中都频繁出现。与健身和营养相关的术语在商业CBD推文中出现的频率更高。在这两个群体中，提到创伤后应激障碍(PTSD)的推文平均出现率相同。最后，CBD推文在个人推文中引用自闭症的频率高于平均水平，但在商业推文中不常见。尽管美国食品药品监督管理局向CBD卖家发出了警告信，指责他们传播错误信息，宣传CBD可以治疗包括自闭症在内的多种疾病[29］．

‎ 查看此图

‎ 查看此图

‎ 查看此图

情绪分析

我们计算了引用以下17个术语中的任何一个的商业和个人CBD推文的情绪得分:焦虑，焦虑，自闭症，平静，镇定，癌症，抑郁，能量，健身，疼痛，疼痛，创伤后应激障碍，皮肤，睡眠，压力，减肥，而且健康．我们还计算了每个单独术语的术语级情绪。表6包含与非中性情绪相关的术语列表，以及单个术语的VADER评分可能影响整条推文的情绪评分。我们计算了每条个人和商业CBD推文的情绪，引用了17个兴趣术语中的任何一个，无论是在原始推文文本中还是在删除了兴趣术语后。使用一个t通过测试来衡量平均感知得分的统计学显著性差异，我们可以评估对这种情况本身的情绪如何影响情感得分。

表7-9证明了个人CBD推文中有利息期限与没有利息期限的平均情绪得分的显著差异，其中有11个被检查的条款。有利息期限的商业CBD推文的平均情绪得分与没有利息期限的商业CBD推文的平均情绪得分有显著差异，其中有12个被检查的17个条款。商业CBD推文的平均情绪得分也有显著差异，与有利息期限的商业CBD推文相比，在17个被检查的条款中，有11个包含或不包含利息期限。表8表明，尽管情绪总体上是积极的，但在个人和商业CBD推文之间的情绪得分存在显著差异的情况下，商业CBD得分的平均情绪得分高于个人CBD得分。图5而且图6举例说明当兴趣(“痛苦”)一词从推特中删除后，情绪分数的分布是如何变化的。

‎ 查看此图

‎ 查看此图

有一些例子表明，在个人推文中，CBD的推文提供了积极和消极情绪的混合，比如在推文中提到CBD与自闭症的关系。图7在提到自闭症的个人CBD推文中显示了更负面的情绪。然而，当“自闭症”一词被删除后，个人推文的情绪并没有改变。尽管是负面的，这些推文的平均情绪得分是-0.042，被VADER模型的作者认为是中性的。我们观察到大量引用“自闭症”一词的个人CBD推文，42.5%(168/395)的个人CBD推文引用自闭症被归类为阴性，45.6%(180/395)被归类为阳性，11.9%(47/395)被归类为中性。

‎ 查看此图

文本框3显示了我们的分类器识别的包含“自闭症”一词的与cbd相关的推文。这些个人的CBD推文有时支持，有时不支持CBD作为自闭症的治疗方法。在涉及自闭症的商业CBD推文中，我们观察到关于CBD治疗自闭症能力的隐性和显性声明。

因此，我们的框架在药物和补充剂功效声明被验证和反驳的情况下工作得很好。

讨论

主要研究结果

推文的文本分类提供了一种将推文大规模地划分为定义的组的方法。我们已经证明，通过使用文本分类来识别反映个人使用CBD的推文以及反映CBD销售和/或商业化的推文，我们可以对与CBD相关的推文做到这一点。这种对公共社交媒体数据的分类是有用的，因为CBD还没有像现代药物那样经过相同的测试和临床试验，但目前正被用于治疗各种疾病，没有安全性或有效性的证明。我们的分析提供了一种方法来识别CBD推文的商业和个人语料库中经常引用的兴趣术语，以及这些术语频率与文档类(商业或个人CBD)的比较。这使我们能够识别在两个文档类别中频繁引用的医疗条件，以及在一个文档类别中比另一个文档类别中更频繁出现的术语。我们还使用VADER模型分析了个人CBD推文引用某些医疗状况和症状的情绪。尽管美国食品药品监督管理局(FDA)对CBD作为自闭症和阿尔茨海默病治疗的营销和推广提出了警告，虽然肯定不是最常见的情况，但我们确实观察到这些策略的多个实例。

这些方法和结果说明了研究人员最近的努力，他们使用社交网络来分析错误信息的概念，这些方法与CBD错误信息的潜在问题直接相关。费朗等[25]分析了Siri、Alexa和谷歌等常见数字助手对疫苗错误信息的回答。陈等[26]收集了微博上与癌症相关的社交网络帖子，发现30%的帖子含有错误信息。艾哈迈德等人[27]收集了关于COVID-19和5G的推文，并进行了图表分析，以识别和分析虚假信息是如何在网上传播的。阿勒姆等[3.]在推特上发现了与大麻有关的未经证实的健康声明。最近，Rovetta和Bhagavathula [28]还在分析推文时发现了大量关于COVID-19的错误信息。

为了解决CBD领域潜在的社交媒体错误信息，重要的是开发收集和分类文本语料库的方法。之前使用互联网和社交媒体的研究描述了关于CBD的个人和商业话语。纳拉亚南等[15]利用基于互联网的数据源，通过检查谷歌搜索来检查CBD趋势，结果表明，从2014年到2018年，人们对CBD油的兴趣显著增加。Tran和Kavuluru [31]使用了Reddit上与CBD相关的帖子，以及提交给FDA的关于这些帖子的评论，以检查CBD通常治疗的疾病。在这项研究中，研究人员检查了医疗条件文本语料库和使用术语“CBD”的帖子和评论中的使用方法，以及两个语料库中暗示的任何治疗迹象。

也有非机器学习的方法来研究Twitter上的大麻情绪，比如Nguyen等人[32］．他们的研究收集了与大麻相关的推文，忽略了由影响力较小的海报作者撰写的推文，通过众包在李克特量表上手动注释大麻推文，并通过专有服务根据应用于数据集的人口统计数据将其分割。研究人员发现，非裔美国人和年轻人对大麻的态度更倾向于吸食大麻。在另一个不主要依赖机器学习的研究方法的例子中，Krauss等人[33他们的大麻情绪分析是基于众包推文。研究人员旨在调查推特用户对大麻和酒精的偏好。他们收集了含有酒精和大麻的推文，然后通过众包对这些推文进行注释。结果显示，54%的推文将大麻和酒精正常化，24%的人表示更喜欢大麻而不是酒精，2%的人表示更喜欢酒精而不是大麻，7%的人对酒精和大麻都表现出负面情绪，13%的人对任何一种物质都没有情绪。

我们提出的框架扩展了现有的CBD研究，通过比较反映个人使用CBD的推文和反映CBD销售和/或促销的推文的术语和情绪，进一步检查在线讨论中对CBD的看法。没有其他研究尝试过这种类型的比较工作，这种方法有助于检查哪些术语被比例地或不比例地使用，并比较个人和商业CBD推文的情绪。我们的方法可以应用于其他类型的研究，旨在分析不受管制物质的消费和广告趋势。

结论及未来工作

我们的框架的优势在于能够识别个人和商业CBD推文、相关条件和情绪。但是，应该注意到一些局限性。首先，我们将搜索范围限制在引用“CBD”和“大麻二酚”的推文上。我们的初步研究并没有表明CBD的主题像其他形式的大麻(如四氢大麻酚)一样受到俚语术语的影响，也没有表明有必要在搜索中包括其他相关术语[34］．此外，我们将收集的数据限制在Twitter上，因为Twitter是世界上最大的社交网络之一，能够快速收集大量数据。其次，我们的数据是在大约3个月的时间内收集的。虽然数据收集周期相对较短，但我们能够确定个人和商业CBD推文的趋势，这将对未来的研究有用。另一个限制是使用字典(标准、俚语和somed - ct)来查找相关的医疗条件。这一步是根据字典检查高频术语来确定医学相关性。未来的研究可以使用深度神经网络模型从推特中提取与医疗相关的命名实体，以实现自动化，并可能获得使用与医疗相关术语的上下文[35］．最后，尽管我们没有明确地从我们的集合中识别和删除社交机器人，正如Himelein-Wachowiak等人所讨论的那样[36]，我们确实在注释过程中删除了机器人，因为可能由机器生成的推文不被视为个人或商业CBD推文。

我们成功地使用文本分类来识别个人或商业CBD引用的推文。当我们对推文集合应用两个分类器时，我们确定了个人和商业CBD语料库中高频提及的多种医疗状况、身体部位、症状、其他物质和大麻参考，以及一个语料库中相对于另一个语料库中提及比例过高的情况。这表明CBD正被用于和销售用于一致类型的疾病。我们的情绪分析表明，利息期限确实会影响情绪得分;当控制术语时，测试的17个术语中有15个在个人CBD推特中表现出积极的情绪，所有17个术语在商业CBD推特中表现出积极的情绪。这表明，总体而言，CBD在医疗应用方面受到了良好的评价，而商业主张并没有严重扭曲公众情绪;然而，我们观察到的证据表明，这些说法可能被夸大了。我们鼓励未来的研究，以调查随着时间的推移，CBD以及其他形式大麻的情绪、使用和销售模式。此外，我们建议通过进一步使用文本挖掘和机器学习方法来扩展这个提议的框架，以识别与CBD的健康和医疗益处有关的错误信息的传播。