原始论文
摘要
背景:推特是一种广泛使用的社交媒体。然而,其在促进健康行为方面的应用尚未得到充分研究。
摘要目的:为了提供设计健康营销干预措施以促进Twitter上的体育活动的见解,本探索性信息流行病学研究应用社会认知理论和网络口碑路径模型来研究美国个人体育活动推文中不同电子口碑(eom)特征的分布。
方法:这项研究使用113个关键词检索了2011年1月1日至3月31日期间在美国发布的100万条关于体育活动的公开推文。根据随机数生成器生成的数字,随机选择总共30,000条tweet并进行排序。两名编码员扫描了前16100条推文,得到了4672条(29.02%)推文,他们都同意这些推文是关于体育活动的,而且来自个人账户。最后,从4672条tweets中随机抽取1500条tweets(32.11%)进行进一步编码。在试点编码(100条推文与最终的1500条推文分开)中,编码器之间的可靠性得分达到令人满意的水平后,2个编码器各自编码750条推文。描述分析,曼-惠特尼U进行了Fisher精确的测试
结果:关于体育活动的推文以中性情绪为主(1270/1500,84.67%)。提供关于体育活动的意见或信息(1464/1500,97.60%)和谈论体育活动(1354/1500,90.27%)在Twitter上很受欢迎。大约60%(905/1500,60.33%)的推文表明用户过去或现在参加体育活动或打算参加体育活动。然而,只有不到10%的推文(135/1500,9.00%)提供了关于体育活动的社会支持。关注其推文的人较少的用户(追随者)(P=.02),而他们所关注的账户(followings) (P=.04)更有可能在推特上积极地谈论体育活动。拥有更多粉丝的人更有可能发布关于体育活动的中性推文(P= .04点)。粉丝多的人更有可能转发推文(P= .04点)。粉丝数量和粉丝数量差异较大的人更有可能在Twitter上提到陪伴支持体育锻炼(P= .04点)。
结论:未来促进体育活动的健康营销干预措施应该根据Twitter用户的关注者数量、关注者数量以及关注者数量与关注者数量之间的差距来细分Twitter用户。市场营销和公共卫生理论的创新应用可以扩展到对其他健康行为(如接种疫苗)的其他信息流行病学或信息监测研究。
doi: 10.2196 / jmir.2870
关键字
介绍
背景
Twitter,一种微博服务和社交网站[
, ]为研究信息的分布和决定因素提供了一个公共平台,最终目的是为公共卫生和公共政策提供信息。这被称为以监测为主要目的的信息流行病学或信息监测[ , ]。一些开创性的信息监测学者已经成功地使用Twitter来监测人们的状态更新,以跟踪疾病的长期发展,这通常被称为综合征监测[ - ],例如在H1N1爆发期间[ , ]。其他信息监测研究分析了人们如何在Twitter上分享健康信息,并监测了他们与健康相关的行为[ , ],例如抗生素的使用[ ]、滥用药物[ ]、饮食行为[ ]和吸烟行为[ ]。然而,迄今为止,在美国很少有大规模的研究涉及个人Twitter用户而不是组织Twitter账户中有关健康行为的信息分布。目前的探索性研究旨在填补这一空白,并为未来健康营销干预措施的发展提供信息,旨在通过这一影响深远的交流平台促进美国的体育活动。皮尤互联网与美国生活项目发现,13%的上网成年人[
], 8%的青少年(12-17岁)使用Twitter [ 在美国。2009年,12%在网上查找健康信息的人也使用Twitter来分享自己的健康更新或查看他人的更新。 ]。目前的研究集中在身体活动的健康行为上,部分是为了解决美国普遍缺乏运动的问题。根据2009年美国青少年风险行为调查,只有18%的9至12年级学生每天至少参加60分钟的体育活动,只有33%的学生每天参加体育课[
]。根据2008年全国健康访谈调查(National Health Interview Survey)的结果,一项对美国身体活动流行程度的调查发现,不到一半(43.5%)的成年人进行有氧运动,略高于五分之一(21.9%)的成年人达到了肌肉强化指南的要求,只有18.2%的成年人既达到了肌肉强化指南的要求,又全年进行有氧运动[ ]。目前的研究调查了个人Twitter用户之间关于体育活动信息的传播和分享,而不是组织Twitter账户、体育活动设施或体育活动设备公司账户。在市场营销研究中,个人之间的数字分享被称为电子口碑(eWOM),指的是大量消费者之间就某一产品进行的在线信息交换[
]。在这个研究中,产品是身体活动,消费者是Twitter用户。我们关注的是eWOM而不是组织账户发送的信息,因为社交网站上的eWOM具有更高的回复率,并且与其他营销技术相比,eWOM可以以一种可以在更长的时间内将影响扩展到更多接收者的方式存档[ ]。此外,我们对用户之间关于体育活动的有机交流感兴趣,这发生在组织影响之外,通常是干预的目标。为了为设计旨在促进Twitter上体育活动的未来健康营销干预措施提供指导,本研究考察了Twitter上体育活动的eom的格式和内容。我们创新地同时应用了市场营销和健康行为原则。我们研究的营销原则包括效价、网络口碑成分(即意见领导和寻求意见)和网络口碑后果(即转发和聊天)。在健康行为理论的背景下,我们研究了身体活动模型、社会支持和消极性。此外,本研究还考察了具有不同网络特征的用户所发推文的eWOM特征是如何变化的,包括关注者数量、关注者数量(用户关注的Twitter账户)以及关注者数量与关注者比例。
市场营销方面
价
营销人员特别感兴趣的是他们的产品是被正面、负面还是中性地谈论[
]。正面口碑(WOM)包括“有关愉快、生动和新颖的体验,向他人推荐,甚至显眼的展示”,而负面口碑包括“诸如产品诋毁、有关不愉快经历、谣言和私下抱怨等行为”[ ]。接触负面口碑与购买产品的可能性低有关,而接触正面口碑与购买产品的可能性高有关[ ]。例如,eom的价格被发现会影响票房收入[ ]和图书销售[ ]。信息流行病学研究也分析了健康信念监测中的情绪[ ]和与烟草有关的推文[ ]。电子口碑营销的组成部分
除了价外,目前的研究还涉及相互作用的机制,称为WOM的组成部分[
]或eom [ ], Twitter用户之间关于体育活动的问题。根据网络口碑的前因后果路径模型,网络口碑由两种交互形式组成。网络意见领导是指人们试图影响他人对某种产品的购买行为的过程。网上征求意见是指人们在购买某种产品时寻求意见的过程[ ]。一些信息流行病学研究探讨了关于不同健康状况的信息是如何在Twitter上呈现的。例如,在H1N1的背景下,大约10%的推文以问题的形式出现[
]。相比之下,对于脑震荡,大约1.4%的推文寻求明确的建议[ ]。然而,很少有研究探索Twitter用户在Twitter上“购买”特定健康行为(即参与体育活动)的互动机制。电子口碑的后果
基于网络口碑的前因后果路径模型,e口碑有2种后果:转发和聊天[
]。Twitter的限制是140个字符(包括所有标点和空格),是一种允许频繁更新的快速通信方式[ ]。因此,Twitter主要用于日常聊天、对话、分享信息和报道新闻[ ]。此外,推文可以存档并稍后由关注者检索[ , ,扩大他们对他人的可能影响。另一方面,Twitter的转发功能使病毒式广告成为可能,病毒式广告是“一种广泛使用的免费传播形式,由可识别的赞助商创建有说服力的信息,并在互动数字平台上在同行中传播”[ ]。病毒式广告可以成倍地增加接收特定信息的人数,并可以与edom一起推动有关主题或信息的交流。健康行为方面
概述
体育活动作为一种健康行为是一种独特的“产品”。在这种情况下,购买是指参与。此外,购买会受到不同社会因素的影响。因此,除了商业产品的传统电子商务特征外,本研究还考察了电子商务参与体育活动的健康行为方面。
身体活动建模
根据社会认知理论(SCT),健康行为可以通过观察学习或建模获得,即观察和模仿他人的行为和结果[
]。观察性学习可以通过多种途径发生:面对面观察; ],大众传媒[ ],以及网上互动[ ]。目前的研究调查了推特用户如何为其他人提供参与体育活动观察学习的机会,我们将这种行为称为体育活动建模。除了过去和现在实际参加体育活动外,本研究还调查了与参加体育活动意愿相关的eWOM。研究表明,观察性学习不仅可以通过观察他人的行为获得,还可以通过感知模型的意图然后模仿他们的目标获得[ , ]。社会支持和社会消极
除了观察学习外,SCT还认为一个人的行为受到其社会环境的影响,包括家庭成员、朋友和熟人[
]。在社会环境中施加的影响可以包括支持和消极两方面[ ],这在预测身体活动参与方面起着重要作用[ , ]。研究个人是否在Twitter上施加社会支持和/或消极情绪,可以深入了解Twitter是否以及在多大程度上可能被用作未来体育活动干预中社会影响的渠道。Chogahara [ ]进一步将社会支持分为3个维度:陪伴支持、信息支持和尊重支持。Chogahara还将消极行为分为3个维度:抑制行为、辩护行为和批评行为[ ]。检查这些方面可以帮助公共卫生干预针对社会影响的某些方面。因此,对于Twitter上个人之间关于体育活动的信息交换,(1)效价(积极、中性和消极)的分布是什么?(2) eowm组成部分(意见领导和网络征求意见);(3) eom后果(聊天和转发);(4)身体活动建模(沟通意图、过去行为和当前行为);(5)社会支持(陪伴、信息和尊重支持);(6)社会消极性(抑制、辩护和批评行为)?
网络的特点
概述
网络社交联系是eom的前身[
]。Twitter拥有独特的社交网络功能。它使用户可以选择从谁那里接收信息,称为追随者,谁可以接收他们的信息,称为追随者[ , ]。用户的关注者数量和关注者数量都显示在Twitter配置文件上,如果用户将其配置文件设置为public,则可以通过Twitter的应用程序编程接口获得[ , ]。因此,本研究重点关注其他用户可见或容易估计的3个方面的网络特征:关注者数量、关注者数量、关注者与关注者的比例。追随者和追随者的数量
接触次数是传统口碑传播的一个重要方面[
]。关注一个人的人数表明这个人在Twitter上的受欢迎程度[ , ]。而受欢迎程度又是潜在影响力的一个指标[ ]。另一方面,追随者的数量可以被视为一个人的好奇心或专家程度的指标[ ]。为了指导未来Twitter上的体育活动干预,目前的研究还探讨了关注者和关注者的数量与用户在Twitter上谈论体育活动的方式之间的关系。因此,对于有关体育活动的推文,关注者和关注者的数量如何与(1)效价、(2)eWOM成分、(3)eWOM后果、(4)体育活动建模、(5)社会支持和(6)社会消极性的差异相关?
跟随者vs跟随者
关注者数量和关注者数量之间的差异也可以提供有用的网络信息[
, ]。Twitter用户认为粉丝数量和粉丝数量之间差距较小的其他用户更可信[ ]。因此,为了对设计Twitter上未来的体育活动营销干预提供见解,本研究考察了Twitter上关注者数量和关注者数量之间差距较大和较小的人如何以不同的方式谈论体育活动。具体而言,在有关体育活动的推文中,关注者数量与关注者数量之间的差距如何与(1)效价、(2)eWOM成分、(3)eWOM后果、(4)体育活动建模、(5)社会支持和(6)社会消极情绪的差异相关?
方法
数据检索
使用twitter流媒体应用程序编程接口,2011年1月1日至3月31日期间在美国发布的100万条推文包含113个关键体育活动关键词中的1个(参见
)中的标签或文本正文被检索。第一条以体育活动为关键词的推文发布于2011年1月4日星期二,世界协调时间(UTC) 03:33:39。2011年3月31日星期四00:29:34 UTC发布了第一百万条带有体育活动关键字的推文。关键词包括已公布的身体活动测量表(例如:成人身体活动问卷[ ],体育活动纲要[ ],以及中西部一所大学提供的健身项目清单[ ])。在查阅了标准的同义词词典和美国俚语词典后,对同义词进行了分组。我们还对关键词进行了试点测试,以确保列表能够充分解决Twitter用户的体育活动内容和词汇使用问题。为了确定类似体育活动类型的推文是否被纳入,研究人员还使用了不同的时态、词汇形式(如walk、walking、walked)和流行的网络表达(如ball和B-ball表示篮球)作为关键词。用于搜索的关键字包括但不限于:骑自行车、攀岩、高尔夫、曲棍球、慢跑、引体向上、仰卧起坐、游泳、网球、跑步机、散步、瑜伽和尊巴舞 ).扫描和采样
两名程序员(以英语为母语)接受了训练,可以扫描推文,排除那些与体育活动无关的推文,也不包括在个人账户中。排除标准包括(1)组织发布的推文(通过用户名识别)和(2)包含其中1个关键词但与体育活动无关的推文(例如,有关体育活动器材的广告)。例如,一条包含“泵”一词的推文就被排除在外。非英语的推文也被排除在外。
首先,从包含体育活动关键词的100万条tweet中随机抽取3万条tweet。其次,根据随机数生成器生成的数字对30,000条tweet进行排序。第三,两名编码员扫描了前16100条推文,得到了4672条(29.02%)推文,他们都同意这些推文是关于体育活动的,而且来自个人账户。最后,从4672条tweets中随机抽取1500条tweets(32.11%)进行进一步编码。所有1500条选定的tweet都来自由用户和Twitter帐户名确定的唯一用户。
编码
分析的单位是一条推特。编码的主要概念包括(1)体育锻炼的效价,(2)体育锻炼的成分,(3)体育锻炼的后果,(4)体育锻炼建模,(5)社会支持,(6)社会负性。编码员可以选择适用于大多数概念的所有值,除了物理活动建模。看到
为编码方案。使用100条tweet计算编码器间可靠性。两名研究生——公共卫生专业的一名硕士和一名博士——接受了培训,然后完成了从1500条推文中分离出100条推文的初步编码。经过第一轮可靠度计算,讨论了编码器之间的分歧,并在此基础上修改了编码方案。由于一些重要的变量是倾斜的(例如,在极少数情况下显示),本研究使用Holsti的方法来确定互码器的可靠性[
]。互码器的可靠性评分范围从0.83到0.98,都是可以接受的(见 ).在估计了编码器之间的可靠性之后,这两个编码器各自编码了750条tweet。统计分析
对发布tweet的时间、关注者的数量和用户关注的人进行了描述性分析。我们对eWOM的所有特征进行了描述性分析,包括(1)效价、(2)eWOM成分、(3)eWOM后果、(4)身体活动建模、(5)社会支持和(6)社会消极性。因为追随者和追随者数量的分布是相当倾斜的,我们使用了非参数曼-惠特尼U检验(不需要正态分布假设)[
]来研究在不同的eom特征中,关注者和关注者的数量分布是否存在差异。关注者数量与关注者数量之间的差距,狭义差距定义为关注者数量与关注者数量之比为0.9-1.1,广义差距定义为关注者数量与关注者数量之比小于0.9或大于1.1 [
]。采用Fisher精确检验检验两组患者eom特征是否存在差异。选择Fisher精确检验是因为数据是倾斜的,并且在大多数表中,1个或多个单元格的预期计数小于5。 ]。删除了20个无关注者的案例,因为无法计算其关注者数量与关注者数量之比。因此,分析中的总数(N)为1480。所有分析均在SPSS 20 (IBM Corp, Armonk, NY, USA)中进行。
变量 | 描述 | 真实的tweet示例一个 | 可靠性得分b | |
效价(选择所有适用的) | ||||
外显情绪与一种自我行为本身或参与自我行为或自我行为发生的环境有关 | ||||
积极的 | 赞美的:赞美和描述愉快和生动的经历的;赞美/如愿以偿 | 个人健身最好的一天=在kinnick周围跑步。:)足球赛季来得更快了 | 0.91 | |
负 | 抱怨和不愉快的经历 | 没人想和我一起去…#哇 | 0.96 | |
中性 | 没有情绪 | 食物、清洁、健身…… | 0.88 | |
关于PA的eom组件(选择所有适用的组件) | ||||
网络舆论领导 | 提供关于PA的信息或意见(包括PA本身或参与PA或PA发生的环境) | 早晨慢跑。网球之后。我们爱运动! | 0.97 | |
网上征求意见 | 询问PA的信息和意见(包括PA本身或参与PA或PA发生的环境) | 30分钟下班后,我是去游泳还是好好睡个午觉? | 0.97 | |
eWOM的通信结果(选择所有适用的) | ||||
网上聊天 | 提供纯文本 | 最后是健身时间。如果有人在密歇根大街上看到她,告诉她我拒绝了橱窗里那双漂亮的红底鞋!! | 0.94 | |
网上转发 | 转发别人说的话或网页上关于PA的内容。它可能包括分享来自其他Twitter用户的Twitter消息。当Twitter消息包含RT时,对RT之前和/或之后的所有内容进行编码。当Twitter消息包含网站链接(URL)时,从Web转发Twitter消息。如果tweet包含链接,则不需要分析链接中的内容。但你可以点击链接来帮助理解 | 我要去游泳…… | 0.94 | |
PA建模(单选) | ||||
自己的经历或他人的经历,包括以前的经历和对未来经历的打算 | ||||
参加PA的意向 | 一份表明参与者将要或需要参加PA的声明(包括有意和无意) | 感觉就像去健身房 | 0.83 | |
过去参加PA的经验 | 一份声明,他们做了一个PA,但没有给任何人任何建议或支持 | 去了健身房,累了。现在在姐姐家玩。午睡可能是必要的 | 0.86 | |
当前参与PA的状态 | 在发布消息时立即表示参与PA的声明 | @*还在跑:)还有2公里,你呢?你还饿吗?: D | 0.93 | |
社会支持和社会消极(选择所有适用的) | ||||
不是关于自己的;需要另一个人参与 | ||||
友谊的支持 | 建议“我们一起参与”的个人助理的伙伴关系协助(组成部分:共同规划、合作、共同参与、提醒、重新安排、提供、意愿) | 和可爱的*一起愉快地跑步。现在要做今晚剩下的作业了…… | 0.86 | |
信息支持 | 建议“你应该知道”的PA知识协助(组成部分:启蒙、合理化、澄清、项目推荐、强度建议、活动推荐、支持者推荐、问题解决、目标指导) | 我推荐初学者用它锻炼。DM和我可以给你更多的信息。 | 0.97 | |
尊重支持 | 个人助理提供“你很好”的尊重信息(组成部分:掌握、认可、社会比较、肯定、尊重、强化、兴趣和保证) | @LAEasyMeals恭喜!我无法想象在那样的高温下跑出26.2秒,但干得好! | 0.97 | |
禁止的行为 | 表示“你不应该参加PA”的不赞成和劝阻行为(组成部分:警告、界定、担心、禁止、威胁、不赞成和拒绝) | @*东南体育馆热得要命 | 0.98 | |
证明的行为 | 借口和过度保护行为,暗示“你不需要参与PA”(组成部分:借口,妥协,豁免,宽恕和忽视) | ”女孩!你的身体是一个坚实的a ++++++++你不需要锻炼!!- @* | 0.95 | |
批评的行为 | 要求和责备的行为表明“你不擅长PA”(成分:排斥、要求、唠叨、蔑视、打扰、沮丧和嘲笑) | 有人说我打篮球像个女孩,哈哈… | 0.97 |
一个个人姓名以*代替,以保密。
b采用Holsti方法(n=100)。
结果
概述
在2011年第一季度(1月1日至3月31日),所有1500条推文都是由1500个不同的用户发布的。周二是发帖最多的一天(245/1500,16.33%),紧随其后的是周一(234/1500,15.60%)、周三(228/1500,15.20%)和周四(227/1500,15.13%)。周五最不受欢迎(182/1500,12.13%),其次是周日(184/1500,12.27%)和周六(200/1500,13.33%)。
呈现了从UTC时间0(00:00-00:59)到23(23:00-23:59)的所有1500条推文的小时分布快照。用户平均拥有576名追随者(标准差3183,范围0-82,874,中位数122)。用户平均随访368人(标准差976,范围0-25,069,中位数148)。用户平均总共发布6630条tweet,范围为1 ~ 167517条(SD 14158)。
在1472个Twitter用户中,关注者数量和关注者数量之间的关系用对数尺度的坐标轴表示。我们从1500名Twitter用户中排除了28名没有任何追随者或追随者的用户。描述性的分布
表示edom特征(如价)的每个类别(如积极)中的推文数量。由于一条tweet可以在每个特征(体育活动建模除外)的1个以上类别中出现,因此每个edom特征(体育活动建模除外)类别中的数字并不相互排斥。
在eWOM的效价分布(即正面、中性或负面)方面,约85%的推文(1270/1500,84.67%)仅为中性价。只有负价的推文占总数的比例不到3%(41/1500,2.73%)。另外,正负兼备的tweet有1条(1/1500,0.07%),正负兼备的tweet有1条(1/1500,0.07%),正负兼备的tweet有4条(4/1500,0.27%)。
关于网络意见领导和网络征求意见的分布,几乎所有的推文(1464/1500,97.60%)都只描述了网络意见领导。仅在网上寻求意见的人很少(26/1500,1.73%)。此外,10条推文(10/1500,0.67%)兼具网络意见领导和寻求意见的功能。
在eom的两种后果(网上聊天和网上转发)中,大约每10条推文中就有9条(1354/1500,90.27%)只以网上聊天的形式出现。大约每13条tweet中就有1条是在线转发(108/1500,7.20%)。另有36条推文是在线聊天和转发两种形式。
对于身体活动建模的分布,包括沟通参与身体活动的意愿,过去参与身体活动的经历,以及目前参与(和意图参与)身体活动,大约60%(905/1500,60.33%)的推文与这三个领域中的一个相关。在提到意图或行为的推文中,超过一半(469/905,51.82%)是关于过去的行为。
在不同维度的社会支持分布上,超过90%的推文没有提到任何社会支持(1364/1500,90.93%)。在提供社会支持的推文中(135/1500,9.00%),信息支持的频率最高(63/135,46.67%)。社交消极性出现在不到2%的tweet中(18/1500,1.20%)。
关注者数量与电子口碑的关系
正价推文(n=186,平均508,SD 2919)和其他推文(n=1314,平均586,SD 3219;P= .02点)。中性值(n=1272, mean 595, SD 3270)和其他值(n=228, mean 473, SD 2645;P=.04)。关注者数量与体育锻炼成分、体育锻炼结果、体育锻炼模式、社会支持和社会消极情绪之间无显著相关。
关注数与电子口碑特征的关系
我们探讨了关注人数与eom不同方面之间的关系(见
).正数推文(n=186,均值283,SD 506)与其他推文(n=1314,均值380,SD 1025;P= .04点)。关注人数与eWOM成分、身体活动模型、社会支持和社会消极情绪之间无显著关联。转发体育活动推文的用户(n=139,平均375,标准差814)和转发其他推文的用户(n=1361,平均367,标准差992;P= .04点)。总之,积极谈论体育活动的人可能会关注更少的人,而转发体育活动信息的人可能会关注更多的人。
关注者与关注者数量的差距与电子口碑特征
追随者和追随者数量之间的差距与效价、eowm成分、eowm后果、身体活动模型和社会消极情绪之间没有显著的关联。在社会支持方面,研究发现,关注者数量和被关注者数量之间差距较大的人更有可能提供陪伴(P= .04点)。
表示基于追随者数量和追随者数量之间差距的陪伴支持分布(OR 0.31, 95% CI 0.10-1.0)。eWOM的特性 | n一个 | 追随者数均值(SD) | 跟踪数平均(SD) | ||
价 | |||||
积极的 | 188 | 508 (2919)b | 283 (506)b | ||
负 | 46 | 302 (517) | 308 (521) | ||
中性 | 1272 | 595 (3273)b | 382 (1039) | ||
eom的组成 | |||||
网上征求意见 | 36 | 383 (657) | 332 (456) | ||
网络舆论领导 | 1474 | 583 (3220) | 370 (986) | ||
eom的后果 | |||||
聊天 | 1390 | 582 (3316) | 367 (993) | ||
转发 | 144 | 535 (1478) | 375 (814)b | ||
PA建模 | 905 | ||||
意图 | 336 | 397 (1381) | 278 (469) | ||
过去的行为 | 469 | 600 (2474) | 325 (604) | ||
当前的行为 | One hundred. | 336 (636) | 326 (566) | ||
社会支持和消极性 | |||||
社会支持 | |||||
友谊的支持 | 51 | 440 (827) | 310 (560) | ||
信息支持 | 63 | 1899 (8504) | 900 (1952) | ||
尊重支持 | 23 | 420 (971) | 193 (168) | ||
没有一个 | 1364 | 523 (2780) | 348 (922) | ||
社会消极 | |||||
禁止的行为 | 10 | 1354 (1773) | 377 (384) | ||
批评的行为 | 13 | 128 (177) | 141 (166) | ||
没有一个 | 1481 | 577 (3201) | 368 (981) |
一个各eWOM特征(PA建模除外)的分类n并不互斥。
bP< . 05。
关注者数量和关注者数量之间的差距 | 陪伴支持,n (%) | 总n | |
是的 | 没有 | ||
差距小(0.9-1.1) | 3 (1.2) | 240 (98.8) | 243 |
差距大(<0.9或>1.1) | 48 (3.9) | 1189 (96.1) | 1237 |
总计 | 51 (3.4) | 1429 (96.6) | 1480 |
讨论
主要研究结果
这项探索性研究调查了人们是否以及如何在Twitter上谈论体育活动。首先,本研究考察了体育活动eom的效价,这是一个重要的营销问题。其次,探讨了网络口碑传播的前因与后果路径模型的组成部分[
]。第三,阐述了SCT的3个重要构念[ :观察学习(本研究中的身体活动模型)、社会支持和社会消极性。最后,本研究测试了与关注者数量、关注者数量和关注者数量与关注者数量之比相关的eom特征的差异。与其他商业产品不同,体育活动推文的价格分布不同。在一项针对各种产品(如汽车、计算机硬件、消费电子产品、能源、快餐、互联网服务、个人护理、体育用品和交通)的推文的研究中,大约60%的推文是正面的,12%是中性的,23%是负面的[
]。最近一项对烟草相关推文的内容分析发现,积极的推文多于消极或中立的推文[ ]。然而,在目前的研究中,大多数推文(85%)是中性的。这一发现反映了有形商业产品和健康行为之间的eom可能存在差异。例如,商业产品涉及有形的成本和收益,可以在较短的时间内相对容易地完成交易。体力活动涉及更多的无形成本,包括时间和精力,通常需要更长的时间来“消耗”。此外,参与体育活动的潜在好处可能需要更长的时间才能观察到。这可能会阻止用户对体育活动进行积极或消极的评论。另一种解释是,与评论商业产品相比,人们可能不太愿意评论或更难以评论自己的行为。当人们评论产品或服务时,他们会评估第三方供应商,这是一项相对容易的任务。然而,在讨论体育活动时,他们必须评估自己的行为和自我,这在认知上可能更困难。积极的体育活动推文的数量是消极的体育活动推文的4倍。这一发现与以往文献一致,在15项研究中,阳性WOM比阴性WOM更常见,平均发病率为3:1 [
]。对于eom组件,本研究的结果表明,Twitter目前更多地用于提供意见或信息,而不是寻求有关体育活动的意见或信息。这一发现与一项关于脑震荡的推文内容分析相一致,研究人员发现,只有大约1.4%的推文寻求明确的建议[
]。我们的发现还表明,在Twitter上发布公开信息还不是一种寻求体育活动信息或意见的流行方法。寻求意见或信息的推文比例较低,可能表明人们正在使用更传统的口碑传播或其他类型的口碑渠道来寻求信息。人们也可以直接发推特,这是两个用户之间的隐私,以寻求有关体育活动的意见和/或信息。关于eom的影响,在体育活动推文中,聊天比转发更常见,这一发现与之前的一项研究一致,该研究发现Twitter的主要功能之一是日常聊天[
]。这也与社交网站获取健康信息的主要用途相一致:健康更新和查询[ ]。超过一半的推文(60%)代表了体育活动建模。这一发现并不令人惊讶,因为皮尤互联网与美国生活项目发现,在27%的互联网用户中,最常使用在线健康交流的是跟踪体重变化、管理饮食、记录锻炼习惯(这可以作为身体活动模型),或者跟踪一些其他健康指标或症状。
]。这一发现也与之前一项关于Facebook上脑震荡报告的研究一致:大多数帖子(65%)分享了个人经历[ ]。除了研究人们如何在推特上模仿体育活动外,这项研究还首次通过推特上的eom来研究社会支持和消极情绪。鉴于关于日常生活的微博是Twitter最常见的用途[
,我们发现只有10%的推文提供了任何形式的社会支持或消极情绪,这并不奇怪。这项研究的结果表明,Twitter目前并不是一个受欢迎的关于体育活动的社会影响尝试平台。然而,人们可以使用直接的推文来请求或向他们的追随者提供社会支持。这些直接的、私人的推文在这项研究中是不可用的。未来的研究可能会纳入这些推文,以检验人们如何看待社会支持或社会消极性,以及这些信息的影响力。另一方面,另一个流行的社交网站Facebook与用户之间的社会支持有关[ ]。这可能表明,与Facebook或讨论组等其他在线平台不同,Twitter的某些特征使其不太可能成为寻求和获得社会支持的地方。这些特点可能是Twitter的即时性和强制的简短更新(只有140个字符)。关于关注者和关注者数量与eom特征之间的关系,研究结果表明,关注者和关注者较少的人更有可能在Twitter上积极地谈论体育活动。拥有更多粉丝的人更有可能发布关于体育活动的中性推文。粉丝多的人更有可能转发推文。这些发现表明,拥有不同数量的粉丝和关注者的人在使用Twitter进行体育活动方面可能有不同的动机。拥有较少追随者和追随者的人可能更有可能在Twitter上与一个亲密的社交网络建立联系,并积极地谈论体育活动以获得乐趣,而拥有更多追随者和追随者的人可能更有可能主要使用Twitter来分享有关体育活动的信息。然而,未来的研究需要进一步研究原因并证实这些建议。
最后,一个令人惊讶的发现是,关注者数量和关注者数量之间差距较大的人更有可能在Twitter上提到伴侣支持。这与人们的直觉相矛盾,即关注者数量和关注者数量之间的差距越小,可能意味着真正的朋友之间的互惠性越高,这可能导致Twitter上更多地提到社会支持。这一结果可以用另一项研究的发现来解释,即Twitter是一个针对实际朋友的稀疏网络,而不是关注者和关注者之间的密集网络[
]。只有大约三分之一的Twitter用户被他们的追随者所关注[ ]。因此,follower和followings之间的差异可能并不能反映实际好友的数量。关注者和关注者之间差距较大的人可能在Twitter上有更多的真正的朋友,他们会为他们提供陪伴支持。可能还有其他的解释。例如,由于体育活动的陪伴支持需要2人以上的地理可达性和邻近性,因此用户之间的线下关系是不可或缺的。因此,关注者数量和关注者数量之间差距较小的人可能会通过其他线下渠道获得和提供陪伴支持,例如面对面、电话、短信,甚至是彼此之间的直接推文,这些都是私人的,因此无法在我们的研究中检索到。
实际意义
考虑到积极推文的普及率较低,而体育活动建模的比例很高,未来的干预措施应该鼓励人们不仅谈论他们的体育活动意图或参与,而且要表达体育活动的好处和他们积极的经历。
对推文进行SCT成分的检查表明,推特目前主要用于体育活动的一般观察学习,而不是发挥社会支持或社会消极作用。更多创新的方法,如infovigil机器人,可以用来引导Twitter用户在发布任何关于体育活动的推文后进行社会支持干预[
]。此外,基于网络口碑前因后果路径模型的推文检测[ 可以告知公共卫生从业人员可以用来在Twitter上促进体育活动的具体沟通策略。未来的干预措施可以鼓励Twitter用户通过聊天提供关于体育活动的意见或信息,因为本研究发现,大多数推文是意见领导的例子,而不是寻求意见的例子。关于具有不同网络特征的Twitter用户的eom特征差异的研究结果,可以为未来Twitter体育活动营销干预的受众细分提供见解。追随者和追随者的数量与eom对体育活动的态度之间的关系表明,鼓励积极讨论体育活动的干预措施可以从招募追随者和追随者较少的个体开始,观察和学习他们如何积极地谈论体育活动。
因为拥有更多追随者的人倾向于在Twitter上转发有关体育活动的意见或信息,这表明公共卫生从业人员可以在未来的体育活动营销干预中针对拥有更多追随者的人。公共卫生从业人员可以开发Twitter账户来促进体育活动,并鼓励Twitter用户关注这些账户,并向他们的追随者转发有关体育活动的推文。
局限性与未来研究
本研究的第一个局限性与抽样方法有关。这项研究使用了一系列关键词来检索有关体育活动的推文。虽然我们已根据体能活动问卷(成人)的体能活动清单编制了一份综合的关键词清单[
],由Ainsworth等人开发的体育活动纲要[ ],以及开展这项研究的中西部大学的健身项目和校内体育项目清单[ ],一些关键字没有被捕获的可能性(例如,具有等级关系的单词)是不能忽视的。未来的研究应该探索更多的关键词词汇,并使用查询扩展技术对相似的关键词进行分组。第二个限制与缺乏Twitter用户的人口统计信息有关。在其他研究中也发现了这一局限性[
]。然而,在这项研究中,不可能根据不同的人口特征(如年龄和种族)来确定在Twitter上谈论体育活动的差异。未来的研究可能会获得Twitter用户的许可来收集他们的人口统计信息。此外,未来的研究可以检索用户聚合的数据,并对个人用户的规模进行研究[ ]。第三个限制是缺乏关于Twitter用户的其他社交网络特征的信息。未来的研究将受益于收集有关互惠关注的信息,这表明用户与其关注者之间存在互动交流的潜力[
]。此外,本研究仅使用粉丝数量作为影响力的指标。其他影响指标超出了研究范围;例如,在本研究中,消息值(通过用户之间传递推文的频率来衡量)和名称值(通过其他用户的推文中提到一个名字的频率来衡量)都无法测量[ ]。未来的研究可以检索更多关于消息价值和名称价值的信息,以帮助识别体育活动的意见领袖,并调查他们如何在Twitter上谈论体育活动。未来的研究还可以采用最近对Twitter上处方药滥用社交圈的研究方法,研究Twitter上体育活动的社交圈[ ]。第四,基于SCT考虑社会支持对个体体育活动的影响[
],未来需要使用定性方法(如访谈或焦点小组)进行形成性研究,以探索使用Twitter作为社会支持平台的预测因素和障碍。研究结果可以指导公共卫生从业人员制定干预措施,鼓励人们通过eom在Twitter上提供更多关于体育活动的社会支持。虽然所选择的推文代表了一个随机样本,但检索和编码的关于身体活动的推文数量是有限的。首先,由于每天发布的推文数量巨大,本研究无法检索美国一整年的推文,以控制不同季节的身体活动变化。我们只收录了今年第一季度的推文。第二,虽然人工编码可以同时对eWOM的不同特征进行准确的分类,但由于人工编码的劳动强度,本研究中2名编码员只编码了1500条推文。未来的研究可以使用众包实验来进行大规模的研究,以提供关于美国Twitter上体育活动的eom的更广泛的图景。在本研究发明和测试的编码方案的指导下,未来的研究还可以探索机器学习的应用,并比较人类编码和计算机编码。随着推文数量的增加,未来的研究还可以将不同的体育活动和体育活动edom按地理区域进行本地化[
, ]。结论
这项研究首次对推特上关于体育活动的eom内容进行了调查。Twitter展示了聊天和身体活动建模(即意图,过去的行为和现在的行为)的潜力,以及谈论身体活动的中立。为了指导Twitter上未来的体育活动营销干预,本研究还提供了基于用户资料信息(关注者数量和关注者数量)细分受众的见解。拥有更多的关注者与转发信息有关。拥有更少的追随者和更少的追随者与积极谈论体育活动有关。粉丝越多,谈论体育活动就越中立。关注者和关注者之间的差距越大,与在推特上提到关于体育活动的陪伴和社会支持有关。未来的研究可以将本探索性研究中使用的市场营销和公共卫生的创新观点应用于更大规模的信息流行病学研究,这些研究也可以检查有关体育活动和其他健康行为的推文。
致谢
爱荷华大学社区与行为健康系的学生Laura Schwab-Reese和Laurel whittis协助编码。爱荷华大学新闻与传播学院教授Julie Andsager在内容分析支持小组中提供了建议。
利益冲突
没有宣布。
参考文献
- 郭海,李C,朴H,文s。什么是Twitter,是社交网络还是新闻媒体?2010年发表于:第19届万维网国际会议;2010年4月26日至30日;罗利,数控。
- Java A, Song X, Finin T, Tseng B.为什么我们使用twitter:理解微博的使用和社区。2007年发表于:第九届WebKDD和第一届SNA-KDD网络挖掘和社会网络分析研讨会;2007年8月12日至15日;圣何塞,加州第56-65页。[CrossRef]
- 信息流行病学和信息监控:一套新兴的公共卫生信息学方法框架,用于分析互联网上的搜索、交流和出版行为。医学信息学报,2009;11(1):11 [J]免费全文] [CrossRef] [Medline]
- 杨建军。信息流行病学与信息监控。中华预防医学杂志,2011;40(5):554。[CrossRef]
- Bernardo TM, Rajic A, Young I, Robiadek K, Pham MT, Funk JA。对疾病监测的搜索查询和社交媒体的范围审查:创新年表。中国医学杂志,2013;15(7):e147 [J]免费全文] [CrossRef] [Medline]
- 你就是你的推特:为公共卫生分析推特。2011年发表于:第五届国际AAAI博客和社交媒体会议;2011年7月17日至21日;巴塞罗那,加泰罗尼亚,西班牙。
- Chew C, Eysenbach G. Twitter时代的流行病:2009年H1N1爆发期间Twitter的内容分析。PLoS One 2010;5(11):e14118 [j]免费全文] [CrossRef] [Medline]
- Signorini A, Segre AM, Polgreen PM。在甲型H1N1流感大流行期间,使用Twitter跟踪美国疾病活动水平和公众关注程度。PLoS One 2011;6(5):e19467 [j]免费全文] [CrossRef] [Medline]
- 斯坎菲尔德D,斯坎菲尔德V,拉尔森EL。通过社会网络传播卫生信息:推特和抗生素。美国感染控制杂志2010;38(3):182-188。[CrossRef]
- 刘建军,张建军,张建军,等。基于微博的社交圈子与处方药滥用研究。中国医学杂志,2013;15(9):e189 [J]免费全文] [CrossRef] [Medline]
- ingle M, Yoon D, Fowler J, Kobourov S, Schneider ML, Falk D,等。使用Twitter收集和可视化饮食行为和饮食原因。中国医学杂志,2013;15(6):e125 [J]免费全文] [CrossRef] [Medline]
- Myslín M,朱舒,查普曼W,康威M.利用twitter研究吸烟行为和对新兴烟草产品的认知。中国医学杂志,2013;15(8):e174 [J]免费全文] [CrossRef] [Medline]
- Fox S.社会生活健康信息,2011。华盛顿特区:皮尤互联网与美国生活项目;2011年5月12日。URL:http://www.pewinternet.org/Reports/2011/Social-Life-of-Health-Info/Summary-of-Findings.aspx[2013-11-12访问][WebCite缓存]
- Lenhart A, Purcell K, Smith A, Zickuhr K.青少年和年轻人的社交媒体和移动互联网使用。华盛顿特区:皮尤互联网与美国生活项目;2010年2月3日。URL:http://web.pewinternet.org/~/media/Files/Reports/2010/PIP_Social_Media_and_Young_Adults_Report_Final_with_toplines.pdf[2013-11-12访问][WebCite缓存]
- Lenhart A, Fox A. Twitter和状态更新。华盛顿特区:皮尤互联网与美国生活项目;2009年2月12日。URL:http://www.pewinternet.org/Reports/2009/Twitter-and-status-updating.aspx[访问日期:2013-11-13][WebCite缓存]
- 疾病控制与预防中心,2012。2010年美国身体活动调查的解释URL:http://www.cdc.gov/physicalactivity/professionals/data/explanation.html[2013-11-12访问][WebCite缓存]
- Carlson SA, Fulton JE, Schoenborn CA, Loustalot F.基于2008年美国人身体活动指南的趋势和患病率估计。中华预防医学杂志,2010;39(4):305-313。[CrossRef] [Medline]
- hennigi - thurau T, Gwinner KP, Walsh G, Gremler DD.通过消费者意见平台的电子口碑:是什么促使消费者在互联网上表达自己?互动营销杂志2004年1月;18(1):38-52。[CrossRef]
- 张建军,张建军。口碑营销对传统营销的影响:来自网络社交网站的研究。市场营销杂志2009;73:90-102 [j]免费全文]
- 安德森电子战。客户满意度和口碑。服务研究,1998;1(1):5-17。[CrossRef]
- [j] .产品相关对话在新产品传播中的作用。市场研究学报,2007;4(3):291-295。[CrossRef]
- 段伟,顾斌,whinsta .网络评论重要吗?-面板数据的实证调查。决策支持系统2008,11(4):1007-1016。[CrossRef]
- 刘勇。电影口碑:动态及其对票房收入的影响。市场营销学报,2006;70(3):74-89。[CrossRef]
- 口碑对销售的影响:网上书评。市场研究学报,2006;43(3):345-354。[CrossRef]
- Bhattacharya S, Tran H, Srinivasan P, Suls j。2012年发表于:第三届ACM网络科学年会;2012年6月22日至24日;埃文斯顿。
- Flynn LR, Goldsmith RE, Eastman JK。意见领袖与意见寻求者:两种新的测量尺度。营销科学学会学报1996年3月01日;24(2):137-147。[CrossRef]
- 孙涛,杨松,吴刚,Kuntaraporn M.网络口碑(或鼠标):其前因与后果的探索。[J] .计算机工程学报,2006;11(4):1104-1127。[CrossRef]
- Sullivan SJ, schneider AG, Cheang CW, Kitto E, Lee H, Redhead J,等。“发生了什么?”对Twitter上脑震荡相关流量的内容分析。中华体育杂志,2012,31(4):563 - 563。[CrossRef] [Medline]
- 适应“老鼠的话语”。商业展望2002;45(4):21-25。[CrossRef]
- 张建军,张建军。网络人际传播与个人影响:一个网络口碑研究框架。欧洲市场营销杂志2002年11月20日;11(2):71-88。[CrossRef]
- 罗杰斯s。病毒式广告:一个概念。编辑:程华。国际广告研究手册。新泽西州霍博肯:威利-布莱克威尔;2014.
- 《思想与行动的社会基础:一种社会认知理论》。恩格尔伍德悬崖,新泽西州:普伦蒂斯大厅;1986.
- 班杜拉。大众传播的社会认知理论。心理科学学报;2009;33(3):265-299。[CrossRef]
- 陈毅,王强,谢军。网络社交互动:口头学习与观察学习的自然实验。市场营销研究,2011;48:238-254。[CrossRef]
- Bekkering H, Wohlschläger A, Gattis M.儿童的手势模仿是目标导向的。实验心理学季刊2000;53:153-164。[CrossRef]
- 李建军,刘建军,李建军,等。行为理解与目标导向模仿的动态模型。中国生物医学工程学报(英文版);2009;31(1):394 - 398。[CrossRef] [Medline]
- M.评估老年人身体活动的积极和消极社会影响的多维尺度。老年学B辑:心理科学与社会科学1999年11月1日;54B(6):S356-S367。[CrossRef]
- Courneya KS, Plotnikoff RC, Hotz SB, Birkett NJ。运动领域的社会支持与计划行为理论。中国健康行为杂志2000;24(4):300-308。[CrossRef]
- 马奥肯,鲁尔曼L, Karoly P,卢茨R,费尔霍姆C, Schaub R.社会支持和社会规范:两者都有助于预测休闲时间运动?中国健康行为杂志2003;01;27(5):493-507。[CrossRef]
- 翁军,林培平,姜军,何强。twitterank:寻找话题敏感的有影响力的推特用户。2010年发表于:第三届ACM网络搜索与数据挖掘国际会议;2010年2月4日至6日;纽约,纽约http://ink.library.smu.edu.sg/cgi/viewcontent.cgi?article=1503&context=sis_research
- Cha M, Haddadi H, Benevenuto F, Gummadi KP。衡量Twitter的用户影响力:百万追随者谬论。2010年发表于:第四届国际AAAI博客和社交媒体会议;2010年5月23日至26日;华盛顿特区。
- Westerman D, Spence PR, Van Der Heide B.社交网络作为信息:系统生成的联系报告对Twitter可信度的影响。计算机在人类行为中的应用[j]; 2012;28(1):199-206。[CrossRef]
- Krishnamurthy B, Gill P, Arlitt M.关于Twitter的一些评论。2008年发表于:计算机协会数据通信特别兴趣小组年会上;2008年8月17日至22日;西雅图,华盛顿州。
- 张建军,张建军,张建军,等。成人体育锻炼问卷的趋同效度研究:以PAQ家庭新成员为例。体育运动与健康杂志2005;2(2):216-229 [j]免费全文]
- Ainsworth BE, Haskell WL, Whitt MC, Irwin ML, Swartz AM, Strath SJ,等。体育活动简编:活动代码和MET强度的更新。体育运动医学与科学2000;32(增刊):S498-S516。[CrossRef]
- 娱乐服务。爱荷华大学网址:http://recserv.uiowa.edu/Apps/Default.aspx?AspxAutoDetectCookieSupport=1[2013-11-12访问][WebCite缓存]
- Holsti或。社会科学与人文学科内容分析。唐·米尔斯,ON:艾迪生-韦斯利;1969.
- 席格。行为科学的非参数统计。纽约:麦格劳-希尔学院;1956.
- Woodward M.流行病学:研究设计和数据分析(第二版)。博卡罗顿,FL:查普曼和霍尔/CRC文本统计科学;2008.
- 李建军,李建军,李建军。正面口碑与负面口碑的相关性研究。国际市场营销研究2007年6月;24(2):175-184。[CrossRef]
- Ahmed OH, Sullivan SJ, schneider AG, McCrory P. iSupport:社交网站在脑震荡意识中起作用吗?残障康复杂志,2010,32(22):1877-1883。[CrossRef] [Medline]
- 经理上午,泰勒T,格林菲尔德PM。我和我的400个朋友:剖析大学生的Facebook网络,他们的交流模式和幸福感。心理学报,2012,32(2):369-380。[CrossRef] [Medline]
- Huberman BA, Romero DM, Wu F.重要的社交网络:显微镜下的Twitter。SSRN学报2008年12月5:1-9。[CrossRef]
- 陈建军,李建军,李建军,等。社会网络中互惠行为的预测。2011年发表于:IEEE隐私、安全、风险和信任国际会议和IEEE社会计算国际会议;2011年10月9-11日;波士顿,马萨诸塞州http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6113094[CrossRef]
缩写
eWOM:电子口碑 |
PA:体育活动 |
SCT:社会认知理论 |
蠕虫:口口相传 |
G·艾森巴赫编辑;提交08.08.13;S Sullivan, WY Wang, S Bhattacharya;对作者26.08.13的评论;收到订正版24.09.13;接受06.11.13;发表20.11.13
版权©张妮,Shelly Campo, Kathleen F Janz, Petya Eckler,杨景珍,Linda G Snetselaar, Alessio Signorini。原发表于医学互联网研究杂志(//www.mybigtv.com), 2013年11月20日。
这是一篇在知识共享署名许可(http://creativecommons.org/licenses/by/2.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首次发表在《医学互联网研究杂志》上,并适当引用。必须包括完整的书目信息,到//www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。