我们使用Twitter搜索引擎收集与短关键字查询( 图1(步骤3)。对结果进行手工检查，以确定与卫生保健相关的设施、组织和场所管理的帐户。所得的563个帐户被分为四组医疗专业和第五组一般保健兴趣(表S2) 多媒体附件1)．我们从这个列表中删除了41个可能随后出现非hcps的poi。

使用Twitter应用程序编程接口，我们收集了其余522个HCP poi的434,825名关注者，优先考虑那些关注多个poi的人。以这种方式收集的Twitter帐户包括私人帐户和组织管理的帐户，例如美国医疗中心的官方帐户。也有许多非hcp账户，例如，患者、记者或学术学者。

HCP的定义差异很大。HCP的广义定义将任何有助于人们福祉的专业人员视为HCP。在本研究中，我们将HCP定义为在卫生保健系统工作的个人或任何医学专业的学生。学生也被包括在内，因为他们通常会接受与患者互动的实践培训。实际上，被认为是健康cps的医疗专业人员主要是医生、护士、医疗管理和行政人员、药剂师、医学生、心理学家和其他人。我们排除了在补充或替代医学领域工作的治疗师(如自然疗法和萨满)和艺术治疗(如戏剧和音乐治疗师)。

为了过滤出有组织的和非hcp的Twitter账户，我们通过一种被称为主动学习的迭代过程训练了两个各自的机器学习分类器[ 15］．正如Lo等人所做的[ 16]，在本研究中，我们使用了支持向量机(SVM)分类模型。从帐户的描述和全名中提取术语频率逆文档频率特征。后者有时包括一个职业或相关头衔，如“MD”(医生)或“RN”(注册护士)。

监督式机器学习需要一个标记的训练集来建立准确的统计模型。主动学习通过关注对改进分类模型贡献最大的帐户来减少手工注释的工作量。因此，我们采用不确定性抽样主动学习策略[ 17]，我们手动注释分类器最不确定的帐户。

在每次主动学习迭代中，由两名人工注释人员检查90个帐户的描述和时间线。如果出现冲突，则由第三个注释者在公开讨论后确定标签。为了避免不确定性，与推特账户相关的领英个人资料也被检查了。如果由三个注释人员组成的小组无法就某个帐户的标签达成一致，则将其从训练集中排除，并替换为小组同意的随机未标记帐户。每次迭代结束时，训练两个SVM分类器，用于下一次迭代的抽样帐户。最初，分类器的准确性在每次迭代中提高了1%到3%。在第15次迭代和第20次迭代之间，精度的边际增加低至0.5%。因此，我们决定在20次迭代后停止手动标记过程(图S1) 多媒体附件1)．

总的来说，最终的训练数据集包含1392个配置文件，我们对其进行了10倍交叉验证以进行评估。这个训练过程的结果显示在结果部分。使用训练过的分类器，我们选择了置信度为70%或更高的个体HCPs的帐户，并通过手动检查100个随机帐户来验证选择的质量。

我们确定了20个主题中的9个(45%)，构成了总话语的95%。 表2介绍了2020年HCPs讨论的最后9个主题。对于每个话题，排名前25位的单词都配有简短的解释和一条有代表性的推文。主题标题的选择与大多数人工检查的推文相匹配。所选主题中的推文讨论了专业问题(45.5%)和个人问题(54.5%)。所有专业主题呈现高度一致性，如“专业成就”和“医学研究和COVID-19信息”主题。

在9个主题中，有8个(89%)主题的主观衔接得分较高，而1个主题(11%;主题2:“食物”)的连贯得分较低，衔接得分中等。这个主题的凝聚力被设置为中等，因为前50个单词松散地与一个共同的主题相关联。尽管如此，在研究这个话题的推文时，我们发现绝大多数都与食物有关。请注意，由于推文中使用的食物类型高度多样化(如沙拉、鸡肉和烧烤)，在该话题的前50个单词中无法识别食物类型。在整个2020年，食品主题的数量一直很高(13.5%)。

推文在HCPs中的分布(图S2) 多媒体附件1)是长尾(幂律)分布。然而，推特最多的用户仅占数据的0.57%，前60名用户占10%。为了检验顶级用户对社会话语的影响，我们将他们的话题分布与其他用户进行了比较(表S4) 多媒体附件1)．主题分布高度相关(Spearman ρ(9条)= 0.9, P<.001)，表明顶级用户对社会话语没有显著影响。

我们计算了每个话题中六种情绪的平均水平:愤怒、厌恶、恐惧、喜悦、悲伤和惊讶。快乐程度最高的话题(约50%)是“专业成就”(53.1%)、“帐号晋升”(48.8%)和“图片挑战”(47.0%)。正如预期的那样，“损失和安慰”话题表现出最高的平均悲伤(32%)，而其他话题的平均悲伤率为8.6%。同样，“政治”这个话题的快乐比例最低，也是情绪得分最低的话题( 图4)．

图3描述了2020年按平均情绪及其连贯性排序的主题量。它包含了每个话题平均情绪的95%的贝叶斯可信区间。此外，每个主题的情绪得分分布可以在图S3中找到 多媒体附件1．在确定的话题中，“专业成就”话题的积极情绪得分最高，为0.56，而“政治”话题的积极情绪得分最低，为0.04。2020年期间的话语趋势显示，HCPs在讨论中表达了已经发生的特殊事件，其中大多数发生在美国。在美国爆发第一波COVID-19大流行之前，推文数量的增加是对全球危机的回应。从内容角度分析修改，“公共卫生与社会价值”(专题0)专题增幅最大。“医学研究和COVID-19信息”(主题8)和“日常生活”(主题1)取得了相对温和的增长。这些主题对第三波大流行病的反应较为温和。乔治·弗洛伊德案以牺牲日常生活(主题1)为代价引发了政治(主题3)讨论，对公共卫生的影响很小。在美国大选前后，随着选举对公共卫生话题的影响，有关政治问题的讨论急剧上升。

我们分析了2020年期间HCP推特话语中的每周平均情感值。 图5介绍了埃克曼的六种基本情绪的动态:愤怒、喜悦、恐惧、悲伤、惊讶和厌恶。我们也分析了情绪动态。由于情感与快乐的价值密切相关，我们没有把它呈现在 图5．

随着时间的推移，对情绪的追踪显示，愤怒、恐惧和厌恶表现出与全球三次COVID-19大流行相对应的波动( 图5)．恐惧表现为三个清晰的波，第一波最大，第二波和第三波逐渐减小。交叉相关分析显示，恐惧与病毒繁殖率的相关性最高 R_t 延迟一星期( ρ(47条)= 0.486, P=措施)。相关性较小但显著( ρ(47条)= 0.340, P=.03)被发现在恐惧和 ∆确认，恐惧先于 ∆确认两周后。正常的恐惧值， R_t ， ∆死亡, ∆确认显示在 图6．每周平均愤怒水平与( ρ(47条)= 0.386, P=.009)与平均死亡个案数目( ∆死亡), ∆确认（ ρ(47条)= 0.308, P=.04)，与病毒繁殖率相关 R_t （ ρ(47条)= 0 ．316年, P=.04)移位2周后(愤怒后 R_t )．悲伤和抑郁之间存在正相关 ∆确认在那里，悲伤先于 ∆确认三星期前( ρ(47条)= 0.423, P= .005)。快乐和幸福感之间呈负相关 ∆证实,一周后，幸福感下降。厌恶感增加的两个时期大致对应于第二次和第三次大流行浪潮。有趣的是，在第一波HCP话语中，厌恶保持在平均水平，与恐惧和愤怒形成对比。在乔治·弗洛伊德事件和第二波大流行之后，厌恶和愤怒激增。

我们可以看到 图5这种快乐在整个2020年都很低。2020年的平均每周快乐度低于2019年的最低每周快乐度。到2020年底，我们还看到了喜悦的增加，使其更接近2019年观察到的价值。2020年期间，悲伤情绪有所增加，2020年4月至12月期间的最低悲伤情绪高于2019年12月之前的最高悲伤情绪。2020年期间，除了惊讶之外，所有情绪的强度都与2019年显著不同( P<措施)。

最近，许多研究利用社交媒体上发布的公共信息研究了COVID-19大流行的不同方面。一些研究试图根据新浪微博上发布的帖子来预测与COVID-19大流行相关的报告病例数量[ 28， 29]或推特[ 30.］．多篇文章分析了疫情期间的在线话语、情绪和总体动态[ 4， 31- 35］．这些研究的结论是基于大流行早期阶段(即几个月)发表的帖子，而本研究则是基于大流行一年内的在线话语，包括将2020年期间的情感维度与大流行出现前一年的情感维度进行比较。此外，大多数研究使用预定义的与covid -19相关的关键词收集帖子[ 31， 33或标签[ 34］．然而，重要的是要了解危机期间艾滋病毒感染者的整体心态，包括与COVID-19大流行没有直接关系的方面。因此，在本研究中，我们分析了各种主题的HCPs的帖子。尽管许多研究调查了COVID-19的健康方面，但只有少数研究关注了HCPs。

与本研究类似，也有一些文章关注HCP人群[ 9， 32］．Ojo等[ 9]回答了一个具体的研究问题，比较了与covid -19相关的hcp在社交媒体上的反应与枪支暴力。瓦贝等[ 32]研究了小规模的hcp人群。相关工作的范围或人群有限，可以解释为在社交媒体中很难将HCPs确定为研究人群。

研究发现，虚拟社区为其成员提供了一种社区感，尤其是在紧急情况下。 36］．根据Neubaum等人[ 37，在危机时刻，社交媒体平台是一个分享情感和寻求同理心的空间。推特是目前用于医疗保健交流的最流行的社交媒体形式[ 38］．摩尔海德等[ 39他承认社交媒体是医疗保健的一个维度，是一种强大的工具，为用户提供协作，为一系列个人提供社交互动机制。

目前的研究呼吁hcp加入社交媒体空间，参与相关对话，并更多地参与提供专业信息[ 4， 40］．据我们所知，他们的参与没有被衡量。Ojo等[ 9]发现，在COVID-19的背景下，来自HCPs的推文比处理枪支暴力的推文更积极，更以行动为导向，但他们的研究只在短期内解决了两个问题。

通过分析2020年HCPs在推特上讨论的话题，我们发现了两个有趣的发现:

在研究期间，HCPs在Twitter上的讨论表明，HCPs在他们的日常现实和他们在虚拟空间中的专业方面之间进行调整。主题的情绪分析( 图4)符合主题，确认其适当性。例如，“专业成就”表现出最高的喜悦，而“损失和安慰”表现出最高的悲伤。基于主题分析(例如， 图2)，四个主题构成了HCP话语的坚实、持久的部分，不受抽样和主题检测算法的随机性质的影响:“公共卫生和社会价值”(主题0)、“日常生活”(主题1)、“食物”(主题2)和“医学研究和COVID-19信息”(主题8)。

各种研究调查了关于COVID-19大流行兴起的社交媒体[ 2］．几项研究分析了公众用户在社交媒体上的讨论。萨利赫等[ 41]试图了解公众对推特上COVID-19社交距离的看法，薛等人[ 42分析了推特用户对新冠疫情的话语和心理反应。其他研究则集中于特定人群，例如美国州长和总统内阁成员[ 7]、瑞士学生的社交媒体活动和心理健康状况[ 8]，在推特平台上使用基于变压器的深度学习模型来检测那些被发现患有抑郁症的用户[ 43]等。最近，Ojo等人[ 9]调查了医护人员在社交媒体上就两种特定的公共卫生危机(COVID-19大流行和枪支暴力)的行为，并分析了来自两个选定话题标签的两次在线讨论。

在COVID-19大流行期间发表的许多研究评估了大流行对一线医护人员的情绪影响。这些研究大多是横断面的，使用问卷调查，并通过社交媒体平台传播。一般来说，焦虑、压力和创伤后应激障碍在不同国家工作的hcp中被发现，如新加坡和印度[ 44]，西班牙[ 45]，以及意大利[ 46］．一些研究表明，心理健康症状，如抑郁、焦虑和压力，与身体症状的存在有关[ 44］．

这项研究有所不同，因为它没有从已知的理论框架开始，而是被设计为对COVID-19大流行期间hcp情绪状态的数据驱动探索。 图5显示了随着时间的推移，情绪的趋势，并与2019年探索的模式进行比较。2020年与2019年相比，除了惊讶之外，所有情绪的明显差异证实了之前的研究结果，这一次是在社交媒体领域大规模进行的。

我们认识到两种途径:(1)对COVID-19进展的急性情绪反应;(2)长期影响(即情绪结构随着时间的推移而发展，超出了与大流行浪潮的直接联系)。急性反应(即愤怒、恐惧和厌恶)与大流行浪潮有关，每种情绪都呈现出单一的趋势。有趣的是，情绪之间的差异:随着时间的推移，恐惧呈现出减少的趋势，尽管大流行的整体影响在增加。这种趋势以及恐惧与繁殖数量( R_t )亦在一般人群中发现[ 47］．尽管如此，在确诊病例发生变化之前，HCPs表达的恐惧有所增加，这一事实可能表明，HCPs根据他们观察到的人群行为来表达他们的感受。这些结果强调了这样一个事实，即HCPs的情绪(如恐惧)可能是当前情况和近预期未来的一个指标。这项研究的结果表明，除了向人口提供可靠信息的传统作用外，保健cps还可以作为向卫生机构表达发病率和临床情况的自下而上的途径。因此，我们建议决策者投入更多的资源，从最广泛的意义上倾听HCP社区的意见，扩展到流行病学专业人员之外。简短的调查，1- 2分钟的工作场所访谈，在线社交媒体分析都是很好的启发来源。

虽然这项研究没有衡量COVID-19对hcp心理健康的影响，但其他研究探索了恐惧与心理健康影响之间的相关性，如焦虑、压力和抑郁症状[ 48， 49］．基于Braquehais等人的研究[ 50]，由于接触COVID-19方面、物质和精神资源以及个人因素，hcp中焦虑和抑郁症状的高发。根据之前关于大流行对大流行后hcp风险行为影响的研究，我们的结果描述了2020年期间累积的悲伤和减少的快乐。这些发现应该是向卫生组织发出的又一个警告信号，说明向艾滋病毒感染者提供现有和可获得的心理健康支持，帮助他们应对大流行的后果是极其重要的。