护理是在工作环境中暴露于环境和职业危害的独特潜在职业。护士可能会接触到传染病、有毒物质、压力、背部损伤和辐射[ 1］．COVID-19疫情构成了一种正在迅速演变的独特健康风险局势[ 2］．美国护士协会道德准则(2015)指出，护理职业不可协商的道德实践标准，根据该准则的第2条，是“护士的主要承诺是对患者。”《守则》第5条规定，“护士对保护自己负有同样的责任”[ 3.］．在大流行期间，这两项平等的义务可能会发生冲突，因为护士必须在极端情况下，包括资源不足或不足以及传染病无法控制的情况下，继续护理危重病人。

专业护士历来为灾害应对提供富有同情心的称职护理，但当他们的工作性质使他们面临更高的风险时，他们面临着提供护理的挑战。在应对灾害的情况下，例如在个人防护装备(PPE)供应可能不足的资源稀缺时期，护士会感到身体上的不安全[ 4］．当护士被要求在COVID-19大流行等高风险情况下提供护理时，他们关心的是专业、道德和法律保护。德沃尔夫认为，像COVID-19大流行这样的灾难会对经历这些灾难的人产生心理和社会影响[ 5］．无论人们认为COVID-19大流行是人为造成的还是自然灾害，经历这样的经历对人类的影响都是巨大的，特别是在亲身经历这样的灾难时。例如，在COVID-19大流行期间，在一线工作的护士感受到了这场灾难的直接影响，因此，对这一经历可能会经历异常大量的心理和社会反应[ 5］．DeWolfe解释说，高暴露幸存者，如护士和其他卫生保健工作者，可能会经历一系列影响，如焦虑、抑郁、悲伤、创伤后症状、躯体症状和药物滥用[ 5］．

世界各地的研究人员一直在研究COVID-19大流行对护士和其他卫生保健工作者的心理影响，结果表明，护士和其他卫生保健工作者正经历高度焦虑和恐惧，特别是当这些担忧涉及到感染家庭成员、无法社交以及在工作环境中传播COVID-19时[ 6］．对204名感染COVID-19的医护人员进行的横断面描述性分析表明，缺乏个人防护装备不仅会使护士面临从患者那里感染COVID-19的风险，而且同事不遵守戴口罩和保持社交距离的规定，特别是在休息时间，也会使护士面临风险[ 6］．一项研究等发现，中国急诊科护士的抑郁症状很常见，那些报告抑郁症状较高的护士生活质量也较低[ 7］．

Hu等人调查了中国武汉的一线护士;他们的研究结果表明，护士经历了中度至高度的焦虑、抑郁、倦怠和恐惧，同时报告有一个或多个皮肤损伤[ 8， 9］．护士们还面临着道德困境，例如优先考虑哪些患者，以及由于缺乏足够数量的呼吸机，谁应该接受通气[ 10]以及因不确定自己是否有能力应对病毒而产生的道德困境[ 10］．定性研究表明，在中国为COVID-19患者提供直接护理的护士经历了一系列积极和消极情绪[ 11］．Liu等人确定了强调护士所经历的情绪损失的关键主题，特别是与面对挑战和危险的感觉有关，害怕被感染，疲惫和压力[ 12］．除了这些感受，护士们也表达了在这次大流行期间作为一名医护人员的强烈义务和责任感，以及对战胜疫情的希望[ 12］．

Sun等人发现，在应对大流行的最初几周，护士主要经历了疲劳、不适、无助、恐惧和焦虑等负面情绪[ 11];然而，随着工作时间的推移和护理知识的增长，护士表达了许多积极的情绪，如专注于应对和自我护理，对自我预防感染COVID-19的信心，以及从患者的尊重和家人和团队的支持中获得的快乐。护理COVID-19患者的压力一直延续到护士的日常生活中，她们感到与家人和朋友隔离，照顾孩子的人因为害怕感染和无法参加亲人的葬礼而辞职[ 6］．一些护士在发现自己第一次失业时感到沮丧，希望自己能提供更多帮助。 10］．

各种形式的媒体在COVID-19大流行中发挥了重要作用，成为公众的主要信息来源。然而，这些媒体来源对病毒的看法和观点相互矛盾，导致一些人对病毒的重视程度较低，导致护士更加痛苦[ 10］．通过社交媒体传播的卫生相关信息为公共卫生和公共政策提供信息的科学，即信息流行病学，在确定疾病爆发模式和研究公众对各种疾病的看法方面特别有用。对社交媒体平台上发布的卫生事件数据进行分析，不仅可以提供卫生事件发生的第一手证据，还可以更快地获取实时信息，帮助卫生专业人员和决策者制定与卫生相关事件的适当应对措施。护士们已经开始利用社交媒体为前线医护人员发声。网上的视频已经浮出水面，显示了医院的混乱，护士们所面临的创伤和挣扎的第一手资料已经出现在Facebook等网站上。 10， 13］．

护士使用社交媒体是为了与公众沟通，并倡导更多的供应和支持[ 13］．例如，在推特上产生了“#获取meppe”标签，以传播对个人防护装备短缺的认识;这促使人们发起了一项请愿活动，有超过6.2万名签名，并与GetUsPPE.org网站相结合，让医护人员获得了数十万件个人防护装备[ 14］．COVID-19疫情引发了一系列研究，通过使用社交媒体数据调查了公众对这种大流行的看法、想法和担忧。所有这些研究都依赖于公共数字媒体的数据，如Twitter或微博平台;这些研究分析了大流行早期的数据，使用不同的情绪分析技术对普通人群进行分析，不考虑用户的职业，也不考虑时间对时间事件的情绪演变。在这项研究中，我们专门分析了参与公开成立的Facebook小组的护理专业人员的社交媒体讨论，以得出与大流行影响有关的纵向见解，即卫生保健提供者随着时间的推移所经历的情况。

本研究的主要目的是探讨护士在应对冠状病毒大流行中的工作经验，以及它如何影响她们的情绪状态。为此，我们特别采用情绪分析、主题建模和信息检索技术来估计与COVID-19大流行相关的护士的身体、精神和心理社会因素的影响。分析捕捉了2020年3月至11月底参加公开社交媒体群的护士提出的主要主题。分析还检查了对这些帖子的评论。具体来说，我们分析了护士发布的主要关注话题(例如，缺乏口罩、个人防护装备和呼吸机;害怕被感染;家庭困难;以及担心就业)。根据最近出版物中提出的调查结果确定了主要议题。分析还侧重于这些主题如何随时间变化(例如，从大流行开始时的医疗设备短缺到后期的治疗)。 In addition, using a sentiment analysis technique, we analyzed the feelings and emotions, both positive and negative, expressed in the posts and comments.

这项研究由马萨诸塞大学洛厄尔机构审查委员会(IRB)审查，并被确定为免于审查。

研究人员使用了多种方法进行文本情感提取，主要分为四类:关键词、词汇、机器学习和混合。一些研究人员还使用了基于语言规则的方法[ 15]，基于关键字的方法[ 16]、基于情绪的模型[ 17， 18]、自然语言处理[ 19]，以及个案推理[ 20.］．基于关键字的方法通过寻找一段文本中的单词与情感关键字之间的匹配来检测情感，从而提供一个匹配索引，也称为信息检索[ 16］．基于词汇的方法使用情感词汇或字典从一段文本中检测正确的情感[ 21］．机器学习方法使用两种监督[ 22， 23]和无监督[ 24， 25]学习情绪检测，使用各种现有的分类和聚类方法。混合方法合并以上技术中的一种以上，并将结果应用于文本情感识别[ 16， 26- 28］．情绪通常由各种情绪模型来定义和描述。现有的情感模型可分为分类模型和维度模型[ 29］．分类情感模型，如Ekman [ 30.]，剃须刀[ 31]和奥特利[ 32，将人类所有的情绪分为几个主要的类别(例如，愤怒、厌恶、恐惧、快乐、爱、积极和消极)。相比之下，维度情感模型，如Plutchik的模型[ 33]，圆周模型[ 34]，情绪模型的认知结构[ 35]，以及Loveim的模型[ 34，以问答的形式，使用多个维度(如效价、唤醒和支配)和强度(如基本、温和和强烈)对情绪进行详细分类。我们使用了现有文献中最流行的方法——信息检索技术(关键字)、预定义的基于字典的语言查询和单词计数(词典)，以及来自变压器的预训练的双向编码器表示(BERT;机器学习)[ 36-识别各种用例中的情绪。

社交媒体是指人们可以表达自己观点的数字平台，为世界各地的不同人群提供了便捷的渠道。特别是，截至2020年11月，拥有27亿月活跃用户的Facebook是最大的平台，在社交网络中发挥着主导作用。在这项研究中，我们应用了数据挖掘技术，并添加了引用，以了解护理专业人员对COVID-19大流行的观点，这些观点在受信任的开放Facebook护士群中讨论。 图1说明了我们的方法流程图。

我们的数据准备阶段包括分组选择、数据收集和预处理。首先，我们选择了一个由护理专业人员组成的公共护理专业人员小组，该小组由108,354名成员组成，其唯一目的是讨论与covid -19有关的问题，我们收集了护士的帖子。从Facebook群帖子中收集数据比使用任何其他类似的社交媒体平台(如Twitter)更具挑战性。由于Facebook的应用程序编程接口(API)缺乏提取评论和其他必要信息(例如，反应和照片)的能力，我们使用Facebook HTML页面离线下载器，并使用Python (Python软件基金会)的Beautiful Soup库解析HTML标记，以提取以下信息:各种帖子id，用户名的哈希值(未识别)，帖子文本，点赞数，日期和每个帖子的评论。为了表示大流行期间的情绪模式，我们收集了从大流行开始到2020年3月1日至2020年11月30日的帖子，并将它们保存在两个表的关系数据库中——主帖子和相关评论——并使用适当的公私密钥定义。收集的原始数据包含背景噪音，如url、标签、表情符号、停止词和空帖子，使用基于python的数据清理工具从数据中删除这些噪音，以提供更高的精度分数。

我们使用两种不同的分析工具来分析收集到的数据:情感分析工具和信息检索工具。

我们使用最先进的NLP进行清理、主题建模、情感分析和信息检索。在数据清理步骤中，我们从整个数据集中去除背景噪声，如url、标签、表情符号、停止词和空帖子，以提高精度分数。然后，我们使用BERT来检测情绪。在这个过程中，我们使用了hug Face用TensorFlow编写的变压器库，用情感标记我们收集的数据，以及频率[ 53］．hug Face是一个基于python的转换器库，它可以支持我们预训练的BERT模型，并可用于用情感标记任何收集到的数据。这个库专门显示文本的潜在情感，并且需要从界面确认情感。一名研究生被邀请来证实拥抱脸界面的情感。应该提到的是，一个帖子可以与一个或多个情绪相关联;因此，一篇文章可以与多种情绪相关联。在这种情况下，一个帖子可以被多种情绪考虑多次。这些察觉到的情绪后来被使用并细分为子主题。在进行情绪测量后，我们探讨了其他主题(例如，缺乏口罩、个人防护装备和呼吸机;害怕被感染; family difficulty; and worrying about employment), which are specific and cannot be detected or retrieved by use of sentiment analysis or topic modeling methods. Therefore, we used an information retrieval technique (Anserini) to further label posts. Anserini is a Python-based search engine, similar to Lucene search indexing. This will result in the posts on these topics along with the score, which is the term frequency–inverse document frequency for the topic [ 38］．基于确定的情感主题，本文包括具体的匿名帖子和评论，以突出护士自己的话的定性例子。

以下结果说明了护士在一段时间内所表达的消极和积极情绪。这些情绪与COVID-19大流行9个月期间(即2020年3月1日至11月30日)护士的各种经历有关。示例数据(即评论和帖子)显示在 表2．

图2显示了悲伤、愤怒和焦虑情绪之间的比率变化。该比率是用表达情绪的特定帖子和评论数除以当月总体情绪帖子和评论数得出的。所显示的趋势表明，所有情绪(即帖子和评论)在5月、7月和8月达到峰值。悲伤和焦虑的比例在11月再次达到峰值，而愤怒的比例则呈下降趋势。 图2)．

本节分享了这些情绪的示例帖子和评论。一名护士发表了以下评论，对她在大流行期间的角色感到焦虑:

一名护士发表了一条评论，表达了对接触COVID-19后重返工作岗位的不明确政策的愤怒:

一位护士分享了她对抑郁和不快乐的感受，这导致她重新考虑她的职业:

对媒体错误信息的失望情绪仍在持续，4月至6月期间达到高峰。个人防护装备短缺导致的沮丧情绪在4月至6月达到顶峰。皮肤损伤的挫败感持续存在，8月和10月达到高峰。由于人们不遵守口罩建议而导致的沮丧情绪在4月至7月达到顶峰，7月至9月再次达到顶峰( 图3)．

以下帖子和评论阐述了人们对皮肤损伤、个人防护装备短缺、媒体错误信息以及人们不遵守口罩建议所表达的沮丧情绪。

护士们贴出了他们与口罩皮疹和整天戴口罩造成的损伤作斗争的评论:

护士也报告了使用不当的个人防护装备:

另一名护士分享说，她的机构对他们的个人防护装备进行了控制:

一些护士发表评论，表达了对那些拒绝戴口罩上班的人的不满:

一些护士表达了他们对病毒错误信息传播的担忧:

所有类别中与隔离相关的帖子和评论的比例在所有月份都达到了峰值，4月至6月的比例最高，随后7月至10月的比例再次上升( 图4)．护士们表达了由于害怕感染家人而与家人隔离的担忧:

所显示的趋势表明，耗竭随着时间的推移而达到顶峰，其中7月至9月是一个显著的高峰( 图5而且 6)．护士们描述了看着患者因COVID-19而衰退时的精神和情感疲惫:

显示的趋势表明，孤独在4月至5月底达到顶峰，另一个高峰在7月至10月。一位护士评论说，孤独和渴望拥抱家人让她们质疑自己的职业选择:

另一名护士评论说，他们感到孤独，因为家人不理解他们的经历:

与害怕被感染相关的帖子和评论在4月份达到顶峰，随后帖子和评论的比例下降，在6月和7月再次上升，之后在剩下的几个月里逐渐下降( 图7)．与在工作中被感染有关的一个例子如下:

一名护士解释说，她认为自己是由于工作时使用了不合适的个人防护装备而感染的:

另一名护士讨论了如何在休息室不戴口罩和保持社交距离:

护士们描述了他们害怕感染住在家里的家人( 图8)：

另一名护士描述了他们对感染家人和其他人的恐惧，以及不得不与他们的孩子隔离:

另一名护士解释说，不断变化的协议让她害怕把COVID-19带回家:

新冠病毒检测呈阳性的帖子率在4月至10月达到峰值( 图9)．感染COVID-19的护士描述了她们经历的症状。一名护士发帖如下:

从感染中恢复后，病毒症状持续，影响工作能力:

此外，一些护士的症状持续时间较长。一名护士在10月份发布了以下内容:

暴露于病毒导致感染COVID-19并与家人隔离:

与带薪休假相关的职位比例从5月初至7月中旬达到峰值，然后在11月下降( 图10)．护士们发表了关于他们高风险职业的评论，这些评论没有反映在危险工资中。其中一名护士发帖如下:

许多护士都在为无薪休假而挣扎，这增加了经济负担。在COVID-19检测呈阳性的护士的带薪或无薪休假政策方面，各州之间存在差异。一名护士发帖如下:

这项社交媒体研究结合了情绪检测技术和主要讨论主题，探讨了从大流行开始到2020年11月期间护士的情绪表达。这些分析得到了直接引用的支持，这些引用阐明了COVID-19大流行期间护士的经历。我们的数据方法遵循标准的社交媒体文本分析文献，该文献已被证明有效和值得信赖，并已在过去用于护理和COVID-19趋势研究的重要社交媒体文本分析中得到应用[ 36， 38- 45］．除此之外，由于Facebook的API无法提取必要的群组帖子，我们开发了自己的离线文本信息提取技术，并根据IRB豁免条件进行了适当的去识别，以保护用户的隐私。结合基于bert的情感分析和基于anserini的信息检索技术，促进了一个成熟的广义社交媒体分析框架的发展，该框架可以用于任何研究领域，包括但不限于学生、媒体人、社会工作者和少数群体对不良社会事件的看法。

帖子和评论中描述的情绪反映了对大流行经历的各种消极和积极情绪。护士们表达的负面情绪是愤怒，特别是因为这涉及到不明确的政策，例如在感染后重返工作岗位;因为在大流行期间担任一线工作人员而感到焦虑;目睹病人衰弱和死亡以及被隔离所造成的悲伤。护士们表现出精神和情感上的疲惫。最近的文献也表达了类似的观点。在2014年中国武汉一线护士职业倦怠的横断面描述性相关研究中，835名护士报告了高水平的情绪衰竭，556名护士经历了高水平的人格解体[ 8］．最近的研究还表达了与愤怒和焦虑有关的情绪，特别是与大流行期间护士作为一线工作人员服务期间未明确的政策有关。Nelson和Lee-Winn发表的一篇评论强调了护士在应对大流行演变过程中政策和协议的频繁变化时所经历的焦虑[ 39］．Hu等研究表明，40% ~ 45%的一线护士经历过焦虑或抑郁，11% ~ 14%有中度至重度焦虑或抑郁[ 8］．对1103名一线急诊科护士进行的横断面在线调查结果显示，从事COVID-19患者临床服务与抑郁症风险较高(43.6%)显著相关[ 7］．

护士们分享了导致压力和焦虑增加的因素。这个分析中的一个例子与阴谋论和“假新闻”有关。最近的研究支持了这些发现[ 10］．造成护士压力和焦虑的其他因素是缺乏个人防护装备和不遵守戴口罩的规定。护士还报告说，由于每天长时间轮班佩戴个人防护装备，出现了皮肤损伤。同样，Hu等[ 8]和肖卡特等[ 9发现2014年有1910名护士有一个或多个由PPE引起的皮肤损伤。由于个人防护装备短缺，担心感染COVID-19以及感染家人是护士焦虑和抑郁加剧的另一个因素。此外，护士表达了由于与社会生活、家庭和朋友隔离而引起的孤独感。尼尔森和李-温也有类似的担忧。同样，美国护士协会在2020年对10997名护士进行的一项调查发现，28%的护士感到抑郁，29%的护士感到孤立和孤独。 54］．

护士表达的积极情绪与患者的感激和希望有关，也与大流行期间的团队合作和相互支持有关，也与对美好日子的希望有关。最近的研究表明，护士在报告消极情绪的同时也会经历积极情绪。在互相支持的同时，他们有一种责任感和职业认同感。护士们也感受到了病人的感激之情[ 36］．这些结果与我们的发现一致。

从大流行开始到2020年11月下旬，所描述的情绪也随着时间发生变化。这些发现类似于DeWolfe所描述的与灾难阶段相关的社会心理和情感反应[ 5］．护士们谈到了他们的恐惧和焦虑，特别是当他们谈到他们失去了保护自己和他人的能力时，尤其是他们的家人。在分析的帖子和评论的整个时间框架内都注意到了这些情绪，但在COVID-19大流行的早期阶段有所加剧。这类似于第一阶段，或灾前阶段，以及DeWolfe所描述的灾难的第二阶段影响阶段[ 5］．随着COVID-19大流行时间的持续( 多媒体附件2)，经历了灾难的第二阶段的影响和第三阶段的英雄阶段，但很快就转移到第五阶段的幻灭阶段，因为在这个阶段，意识到有限的援助和公众的不服从导致了压力和倦怠的情绪，许多反应，如疲惫，沮丧，愤怒和抑郁表现在表达的情绪中。随着疫苗的开发和病例数量的下降，人们在帖子和评论中表达了感激和希望的积极情绪。这类似于第四阶段的蜜月期。具体来说，乐观的评论与耐心的感激、团队合作和支持有关，以及保持一切都会恢复正常的信念。

虽然本研究旨在独特地代表COVID-19大流行期间护士的观点，但存在一个潜在的错误，即该组中的一些职位可能由非护士个人担任，因为有开放组职位津贴。由于管理员监视的注释和组规则的特殊性，出现这种情况的可能性很低，而且可能不会影响分析。这项研究的另一个局限性是，数据来自Facebook上一个特定的开放群体，可能不能代表所有护士的观点;然而，在这一个群体中，成员包括10.6万名护士。此外，本研究的结果与目前发表的关于该主题的文献中的发现一致。

尽管作者基于中描述的定义进行了分析 多媒体在美国，他们可能没有捕捉到护士们所经历的所有情绪。我们考虑了预先训练的BERT模型，它有四个情绪标签——喜悦、悲伤、愤怒和恐惧——这可能会略微限制我们的分析结果。另一方面，单一的帖子可能会被不同的情绪计算多次，这就有可能将错误引入我们的分析结果中。然而，最近的研究发现，仅考虑上述四种情绪标签，并对不同情绪的同一帖子进行多次计数，可以维持不同机器学习技术对covid -19相关帖子的分析结果，这肯定了我们结果的一致性[ 55］．

这项研究的意义在于，它增加了从护士经验中记录历史大流行的重要性。COVID-19大流行是一种独特的经历，世界没有为此做好准备，我们也没有在护理课程中为学生护士做好准备。从这一分析中收集的主题和信息将构成大流行爆发期间美国发生情况的证据。它将为在前线工作的护士提供发言权。它还将作为阐明经验教训的基础，并作为就卫生保健其他议题进行伦理讨论的基础。此外，对于希望更好地了解与公共卫生危机有关的主要问题并制定解决这些危机的政策的各种政府机构、医院、组织和社区，它将特别有用。