早在2020年2月15日，世界卫生组织总干事在慕尼黑安全会议上就表示:“我们不仅仅是在抗击一场流行病;同时也是一场信息大流行”[ 1］．由于在大流行期间实行检疫限制，信息的获取仅限于互联网和社交媒体，这助长了错误信息的传播。根据一项调查，87%的互联网用户接触到与大流行病有关的错误信息[ 2］．

社交媒体上错误信息的传播可能会被个人定制内容的信息竖井和回音室放大。库齐等人[ 3.]报告称，他们检查的673条推文中有153条(24.8%)包含COVID-19大流行错误信息，673条推文中有107条(17.4%)包含无法核实的信息。源自社交媒体账户的关于病毒起源的错误信息已吸引了超过2000万次点击[ 4］．

在社交媒体上，虚假信息可以定义为旨在说服其他用户的信息。说服理论认为传播者、信息内容和接收者都对沟通有影响。除了研究帖子本身，也有必要检查在社交媒体上传播错误信息的用户。为了揭示虚假信息传播者的特征，我们依靠说服理论来帮助理解虚假信息是如何在社交媒体上传播的。细化似然模型(ELM)是一种广泛使用的说服模型，根据该模型，用户通过中心路径或外围路径形成对信息的态度[ 5］．在中心路径中，用户对信息的质量和强度进行评估，而在外围路径中，他们更关注信息来源的声誉、视觉吸引力和呈现方式等表面因素[ 6］．因此，网络健康虚假信息的特征可分为中心和外围两个层次[ 7］．在不同国家的背景下，已经记录了网络冠状病毒错误信息的中央层面特征[ 8， 9错误信息在全球迅速传播。然而，人们对与covid -19相关的错误信息的外围特征知之甚少。因此，本研究的第一个研究问题是:与COVID-19相关的传播错误信息的中心和外围层面特征是什么?为了回答这个问题，我们基于ELM提出了一个社交媒体上与covid -19相关的虚假信息说服过程的理论模型。所示 图1，强调中心路线特征(内容类型)和外围特征(包括创作者的权威、社会证明和情感)。

误导性信息的传播导致公众的不确定性增加，对值得信赖的消息来源缺乏信任，从而导致病毒传播加剧，遏制无效[ 4］．迄今为止，研究主要关注与冠状病毒疾病相关的错误信息的程度[ 3.］．相比之下，人们缺乏对与covid -19相关的错误信息的病毒性的全面理解，特别是在社交媒体背景下。因此，指导本研究的第二个研究问题如下:与covid -19相关的错误信息如何在社交媒体上传播?为了回答这个问题，我们从多个角度衡量了社交媒体上与covid -19相关的错误信息的病毒性，包括转发数量、转发深度、转发宽度和转发速度。

首先，我们基于事实核查来源创建了一个与COVID-19大流行相关的错误信息数据集，然后创建了另一个包含来自现实世界社交媒体平台的这种错误信息的流传帖子的数据集。基于收集到的帖子，我们进一步分析了新冠病毒虚假信息在社交媒体上的传播模式，并提出了外围层面的特征。详细的数据收集和分析程序描述在 图2．

以往研究综述[ 34- 36]关于社交媒体上与大流行相关的虚假信息分类的资料，见 多媒体附录1．受之前研究的启发，为了描述COVID-19错误信息的内容，我们根据Richards和Hemphill提出的6个步骤手动编码了1065个错误信息帖子[ 37]:(1)初步的组织和规划，(2)开放和轴向编码，(3)初步码本的开发，(4)码本的试点测试，(5)最终编码过程，(6)码本的评审和主题的确定。

本研究开发的编码方案见 表2．将新冠肺炎相关错误信息分为政府应对(中国相关)、疫情传播(中国相关)、医疗信息(中国相关)、社会问题和民生问题(中国相关)、国际问题等5种内容。Krippendorff(后 38方法，招募了4名编码员进行两轮手工标记。在第一轮试验中，对300个错误信息条目进行了标记。经过进一步的讨论，剩余的765个错误信息项在第二轮由4个编码员独立标记，α值为.78。这意味着四个编码员在主题分配上取得了实质性的一致[ 39］．在编码过程中，对于涉及两个或两个以上主题的错误信息项目，四名编码人员都进行了讨论，并将项目归入最相关的类别。随后，11,450个帖子根据相应错误信息的标签进行了标记。

我们使用微博ID通过weibo.cn/repost/网站获取了每条微博的具体转发、点赞和评论信息。根据转发关系，我们创建了收集到的帖子的转发网络。继Avram等人之后[ 17，我们使用了参与度指标，包括每个帖子的点赞数、评论数和转发数，来代表包含错误信息的帖子的社会证明特征(总结在 表3)．

除了因为被屏蔽等原因而无法捕获的用户外，在微博上共收集了11301名发布了关于COVID-19的错误信息的用户。

微博的用户认证机制为不同类型的用户提供了一个证明身份的渠道。验证类型包括个人用户、政府用户、媒体用户和企业用户。用户水平作为微博用户的基本特征，在很大程度上可以代表账号的活跃程度。用户级别越高，用户越活跃。会员级别反映了用户使用微博的习惯。会员级别高的用户可以被认为是忠实用户。

除了个人资料的特征之外，互动特征(即关注者、关注者和帖子的数量)也可以表征用户在社交媒体上的权威。帖子的数量反映了用户在社交媒体平台上的参与度。拥有相当数量粉丝的用户可以与一大群人分享自己的观点[ 16]，而拥有众多关注者的用户则拥有广泛的信息源[ 14］．因此，个人资料功能和交互功能都表征了发布了包含错误信息的帖子的用户的权威。这些特性的详细描述可以在 表3．

情绪特征被认为是区分网络谣言和虚假评论的有效特征[ 40］．在本研究中，我们通过对百度Senta系统上收集的数据集应用预训练卷积神经网络模型来进行情感分析[ 41］．Senta将情绪知识整合到预先训练的模型中，并对大多数测试数据集产生最新的结果[ 42］．Senta作为一个开放的情感分析平台，可以接触到来自多个环境的大量语料库，这大大提高了其分析的有效性[ 42， 43］．Senta采用无监督方法自动挖掘情感知识，在14个典型的中文情感分析任务中全面超越其他方法[ 41］．每一个输入到Senta的帖子返回一个0到1之间的积极情绪可能性的结果，可以作为帖子的情绪特征。

为了描述社交媒体上与冠状病毒相关的错误信息的流行程度，除了每个帖子的转发数量外，我们还爬取了研究上一步创建的数据集中每个帖子的详细转发信息，并收集了原始错误信息帖子的转发列表。每个帖子的转发信息包括转发原帖子的用户、转发内容、转发收到的转发数和点赞数。微博平台使用“//”符号将转发的内容划分为不同的转发级别。因此，可以根据转发内容提取每篇文章的转发级别。此外，每个帖子的传播网络可以根据相应的转发关系，通过一系列的转发来构建。因此，除了因为例如被屏蔽或删除而无法捕获的帖子外，我们为包含关于COVID-19信息的共2437个帖子构建了一个传播网络。在这些网络中，每个节点代表一个单独的帖子，而有向链接代表从源节点到转发节点的转发关系。例如，如果post A转发原始post B，则从节点B到A绘制一条边。

在构建的传播网络中，每个节点代表一个参与了与COVID-19相关的错误信息传播的帖子。基于每个原帖的网络，传播规模是指网络中节点的数量，对应于原帖的转发数量。传播深度是指原帖在网络中转发量最高的级别，而传播宽度等于网络中节点数最多的级别的节点数。

图3显示了一个职位的传播网络的例子。节点A表示包含与covid -19相关的错误信息的原始帖子。帖子B1、B2和B3转发原来的帖子。随后，B1岗位由岗位C1、C2和C3转发，B3岗位由岗位C4转发;post C3也由D1转发。在这种情况下，原帖子A已经被转发了8次，因此传播尺度为8。第二级转发涉及大部分帖子，这意味着原帖子A的传播宽度等于4。转发的最高级别表示传播深度为3。

由于本研究基于公开数据，不涉及个人身份数据，因此不需要伦理批准。

为了回答第一个研究问题，我们进行了编码分析，以确定包含与covid -19相关的错误信息的帖子的内容类型/主题。共有11 450个此类帖子被归类为5个主题:政府应对(n=1021)、流行病传播(n=639)、医疗信息(n=5359)、社会问题和人民生计(n=4132)和国际问题(n=299)。最常见的主题是医疗错误信息(5359/11,450,46.80%)，包括关于病毒、感染、预防、治疗和消毒的错误信息。第二受欢迎的话题是社会问题和民生问题(4132/ 11450,36.09%)，尤其是与名人虚假言论有关的话题。这一类别还包括提到被驳斥的捐款的帖子。

为了区分不同主题的帖子，在图中标出了帖子的数量和相应的日期 图4其中较暖的颜色代表在特定时期内更受欢迎的错误信息话题。社会和生计方面的虚假信息在3月中旬最为突出，当时出现了几个广泛传播的虚假信息话题，包括关于一名马来西亚萨满可以施法治愈冠状病毒的言论。2月至5月是中国新冠肺炎疫情最严重的时期，虚假医疗信息的帖子出现频率最高。

基于构建的2437个包含与covid -19相关的虚假信息的帖子的传播网络，我们提取了每个帖子的传播规模、深度、最大宽度、平均宽度和速度。在本研究中，最大宽度测量最宽层所涉及的节点数量，平均宽度测量所有层的平均数量。 表4汇总所有员额的传播方式的描述性统计数字。在我们的数据集中，传播最广的帖子由传播网络中的7604名用户组成。传播最深的帖子被14个级别的用户转发，而传播最广的帖子被2355个级别的用户转发。平均来看，所有帖子的传播尺度为19.7，平均深度为1.5，平均最大宽度为20.5。

图8显示了与每个主题相关的帖子的传播规模、深度、最大宽度、平均宽度和速度的手段的95% CI图。含有与社会问题和人民生活有关的虚假信息的帖子显然比关于其他主题的帖子吸引了更多的用户参与传播网络。与其他主题相比，与政府响应相关(平均传播尺度28.2)和与社会问题和民生相关(平均传播尺度27.4)的错误信息吸引了更多的用户参与到讨论和传播中。从传播深度、最大宽度和平均宽度来看，国际问题帖子在各个传播层次的受众都更多，传播也更深入。与其他话题不同的是，大多数国际虚假信息帖子都吸引了一定程度的公众关注(转发率为168/ 299,56.2%)，这表明这种类型的虚假信息更有可能受到广泛、大规模和激烈的主流讨论。

根据结构，我们将虚假信息发帖的传播网络划分为三种主要类型:(1)辐射型传播网络，第一级传播比其他各级传播都要广;(2)扇区传播网络，传播网络中其他层次的宽度大于第一级，转发量最高的节点获得的转发量大于点赞量;(3)病毒式传播网络，传播网络中其他级别的宽度都大于第一级，点赞量最高的节点获得的点赞量比转发量多。 图9展示了所有三种网络的代表性例子。

对岗位的审查发现，97.00%(2364/2437)是通过辐射传播网络传播的，只有0.98%(24/2437)属于部门传播网络，2.01%(49/2437)属于病毒传播网络。所示 图9A，从原始节点辐射出的第一级转发宽度远远大于后续层的转发宽度，这体现在根节点周围的节点密度远远高于其他层上的节点。在这种类型的传播网络中，创建原始帖子的用户通常拥有更高的权威(例如，大量的关注者);这类用户包括公共组织和新闻媒体。此外，这些帖子的内容很可能带有政治色彩。节点密度随着级别的增加有降低的趋势，说明在一级转发后，这些帖子的潜在影响下降。对于所示的传播网络 图9B和c，虽然第一层的宽度比较大，但其他层的节点都是扇形的，节点从多个子层节点中辐射出来。在属于行业的帖子和病毒式传播网络的传播中，存在多个具有高度传播能力的节点。与辐射传播网络中出现的帖子相比，一些意见领袖在版块和病毒传播网络中也起到了传播作用，他们拥有大量的关注者，没有被验证为权威机构或公共组织。

为了进一步描述在社交媒体上发布关于冠状病毒的错误信息的用户，我们利用k-means聚类算法基于用户权限特征(包括用户级别、成员级别、发帖数、关注数和关注数)对用户进行分类。为保证聚类质量，利用R中的Nbclust函数检验k的不同值，基于肘法，选择5作为最优聚类数量。 图10以散点图矩阵的形式显示用户，使用GGally R包中的ggpairs函数[ 45］．每个点都用k-means聚类算法识别的聚类进行着色。

根据k-means聚类算法，将发布虚假信息的用户分为5组:普通用户、平台用户、不活跃用户、有影响力用户和混混用户。共有2342名用户被归类为普通用户，他们参与社交媒体，但不太愿意为会员付费。他们的会员水平往往较低，但用户水平较高，在帖子数和关注者数方面的表现相对正常。平台用户(包括2980名用户)的行为模式与普通用户相似，但不同的是其成员级别。他们的会员级别往往明显更高，这表明他们都积极参与社会互动，并购买会员以享受特权。最大的一组是不活跃用户，共有5652名用户在所有五个功能上出现的频率较低。相比之下，影响力用户，最小的用户群体(由101个用户组成)，发布的频率比其他人更高，也收获了大量的关注者。这一组的用户倾向于保持在用户和成员级别的最高位置。最后，混入组的用户拥有比其他用户组更多的关注者，但他们发布的帖子更少。混入组226名用户的特征与Kozinets识别的特征一致[ 46，他们在社交媒体上保持着强大的社交关系，但对活动不感兴趣。

不同类型的用户在不同主题上发布错误信息的分布如图所示 图11．不活跃用户更倾向于发布关于社会问题和民生的错误信息，这与其他四种用户类型有显著差异。有影响力的用户对医疗错误信息传播的贡献最大，但不太可能发布与社会问题和民生相关的错误信息。

我们还进行了相关分析，以检验传播网络特征是否与创建帖子的用户的权威特征显著相关。用斯皮尔曼等级相关系数来衡量创作者的权威特征与由此产生的传播网络特征之间的相关性。 表5显示在双面检验条件下，追随者数量和成员级别与传播网络的所有五个特征(即传播规模、深度、平均宽度、最大宽度和速度)均显著相关( P< . 01)。

从网络的角度来看，拥有众多粉丝的用户发布的消息往往在社交媒体上获得更多关注。会员级别高的用户更有可能参与社交媒体互动。类似与灾害有关的资料[ 14研究发现，关注者数量对帖子的传播规模、深度和速度有显著的正向影响。这表明，来自高权限级别用户的错误信息在广泛广播中具有很高的强度，从而可能产生严重的后果。

理解人们为什么会相信错误信息的潜在心理是制定有效干预措施的关键。 30.］．这项对包含与covid -19相关的错误信息的帖子的研究，揭示了其在社交媒体上传播的重要洞见。为分析中心层面特征，将新冠肺炎相关错误信息内容分为5类:医疗信息(5359/ 11450,46.80%)、人民社会和民生信息(4132/ 11450,36.09%)、政府应对(1021/ 11450,8.92%)、疫情传播(639/ 11450,5.58%)、国际问题(299/ 11450,2.61%)。内容的分类与先前对近期流行病的研究一致[ 34］．与之前关于COVID-19的研究一致，在这些研究中，大多数错误信息与医疗相关[ 1， 3.]，我们发现错误信息的主要主题与医疗信息以及社会和生计问题有关。特别是，带有医疗错误信息的帖子在大流行最严重的阶段出现得最频繁。

引起注意的错误信息可以引发激烈的讨论，从而促进信息的传播。除了中央级别的特征外，关于与covid -19相关的错误信息的帖子的社交证据显示，这种错误信息得到了积极的回应(平均11个转发、13个评论和189个点赞)。有趣的是，与国际问题相关的错误信息占所有帖子的2.61%(299/ 11450)，但获得了惊人的高关注度(平均82个转发、67个评论和713个赞)，这表明涉及国际问题的错误信息往往会在社交媒体上传播开来，从而可能产生严重的后果。这与推特上的经验发现一致，与covid -19相关的阴谋性错误信息最有可能在推特上传播[ 47］．

与大流行期间公众出现的负面情绪相比[ 48]，在大流行期间出现的错误信息帖子中，情绪由积极转为中性。特别是，一些关于未经检验的预防措施和治疗的错误信息似乎非常积极，引起了公众的注意。我们的研究结果支持以下观点:在设计大流行期间的错误信息干预措施时，应考虑错误信息主题[ 47］．

对用户配置文件特征的分析显示，用户级别和成员级别最低和最高的用户对发布错误信息的责任最大。我们的研究结果表明，最不活跃和最活跃的用户都倾向于分享错误信息。与Kouzy等人的实证结果相反[ 3.在美国，未经认证的Twitter账户发布的错误信息明显多于经过认证的账户，经过认证的微博用户在包含与covid -19相关的错误信息的所有消息中占了近一半(5266/11,301,46.60%)。这说明用户验证状态不适用于微博冠状病毒相关错误信息检测。

虚假信息发布者的平均关注人数非常高(>10万)，表明他们在社交媒体上拥有的可信度和社会影响力。一些以营销为导向的账号为了吸引用户，改变了真实新闻的主体内容。至于医疗方面的虚假信息，一些企业账号捏造了虚假信息(如“纳豆能灭活病毒”)来宣传他们的产品。

虚假信息帖子的平均传播尺度为19.7，平均深度为1.5，平均最大宽度为20.5。李等[ 14]的数据显示，灾害相关帖子的平均传播规模和深度分别为68.64和1.113。这表明，与疫情相关的虚假信息比灾害相关的帖子传播得更深，但传播规模低于灾害相关的帖子。此外，关于国际问题的帖子最可能在社交媒体上产生深远和持久的影响，在传播深度、最大宽度和平均宽度方面数量最高。这突显了应对与covid -19有关的错误信息的重要性，特别是与国际问题有关的错误信息。

在捕捉传播网络的拓扑属性时，可以在错误信息帖子的传播中区分三种主要类型的网络:辐射型、扇形和病毒式。与Twitter上的谣言传播不同，在Twitter上，新闻通常首先由一个影响较小的用户发布，然后由一些受欢迎的用户分享。 26]，微博上的新冠肺炎错误信息大多以辐射传播网络为代表，这些信息首先由一个知名用户发布，然后由许多普通用户直接分享。此外，原始用户往往拥有更高的权威(公共组织和新闻媒体)，这表明有影响力的用户在传播COVID-19错误信息方面发挥了关键作用;这与Wang等人的研究结果一致[ 47)，他们发现唐纳德·特朗普的推文可能会影响人们的信息分享行为。

这项研究有几个局限性。首先，我们只调查了微博上流传的关于新冠肺炎的错误信息。此外，我们还选择了“新型冠状病毒(新冠病毒)/COVID/Epidemic(疫情)”作为与COVID-19相关的关键词。然而，由于疾病术语在早期可能存在不一致，用户可能使用了本研究没有收集到的其他关键词，如武汉肺炎(武汉肺炎)和不明原因肺炎(未知原因肺炎)，来描述与covid -19相关的对话或话题。因此，我们研究中确定的特征可能并不代表所有与covid -19相关的错误信息。未来的研究应该考虑其他社交媒体平台上的错误信息，以确定这些发现的稳定性。第二，我们关注中文的错误信息。其他语言关于大流行病的错误信息可能导致不同的结果，这也应在今后的工作中加以探讨。

在2019冠状病毒病大流行期间，我们目睹了假新闻和阴谋论的大规模传播，特别是在社交媒体上。本研究对社交媒体平台上传播的COVID-19错误信息进行了全面审查。

本研究的理论贡献主要体现在以下两个方面。尽管人们努力分析社交媒体平台上与新冠肺炎相关的虚假信息，但目前还没有以心理学理论为指导的综合分析框架来研究这种虚假信息，特别是与新冠肺炎相关的虚假信息。基于ELM，这项工作为理解与covid -19相关的错误信息的潜在说服过程提供了第一步。通过开发说服过程的理论模型，本研究包括一组全面的特征，以理解与covid -19相关的虚假信息在社交媒体上的传播。此外，尽管以往的研究通常将大流行错误信息的检测视为一个二元分类问题，但我们的研究结果表明，不同主题的错误信息似乎在情感、社会参与指标和发布者权威特征方面具有不同的特征。因此，本研究建议在开发错误信息检测算法和预防机制时，应考虑错误信息的具体主题。针对不同话题的虚假信息特点，制定有针对性的策略是必要的。

本研究的实际贡献有两个方面。首先，尽管人们对与covid -19相关的错误信息进行了广泛研究，但据我们所知，没有研究试图揭示在社交媒体上发布关于新型冠状病毒的错误信息的用户的综合特征。因此，本研究同时考察了虚假信息作者的档案特征和互动特征。通过揭示虚假信息发布者的特征，我们的研究结果不仅扩展了分析与covid -19相关的虚假信息的研究，而且为发现可能容易发布虚假信息的可疑用户提供了一种可能的解决方案。此外，用户的权威特征与传播网络的拓扑属性之间存在显著的正相关关系，说明权威特征可能对错误信息的传播产生影响。为了打击错误信息，我们的研究结果表明，重要的是，有影响力的用户、公共组织和新闻媒体要意识到他们有责任提供经过核实的信息，特别是在公共卫生危机期间。