绘制医生推特网络:描述它们如何工作，作为理解连接、信息流和消息扩散的第一步

简介

背景

包括脸书和推特在内的社交媒体正迅速成为医疗保健的重要工具。在社论、论文和博客中，医生被敦促成为社交媒体的积极参与者，作为与更大的健康社区、患者和同行接触的一种形式[1]，并以此作为与政策制定者和利益相关者“开始在线对话”的一种方式[2］．微博媒体Twitter被誉为“每位医生领导者的必备工具”[3.]，这对“当今医学的发展至关重要”[4]，以及“正是医生所要求的”[5］．

这个快速增长的社交网络在全球拥有大约5亿用户，其中1.4亿在美国[6］．有人说它使健康信息交换“民主化”，因为它是一种高度参与性的媒介，病人、医生、卫生保健组织和其他利益相关者可以在平等的基础上进行互动。包括推特在内的社交媒体被一些科学家称为“医学2.0”或“下一代医学”的主要原则之一。7］．然而，尽管人们对信息传播及其分析的兴趣日益增加，潜力巨大，但医学界的哪些人在使用Twitter，他们使用Twitter的程度如何，以及出于什么目的，目前还不完全清楚。8］．

为了推断群体行为，预测通过这些网络传播和扩散信息的“最佳实践”，首先对网络进行分析是很重要的。社会网络分析(SNA)是社会学中一种成熟的技术，可以用于系统地探索虚拟社区，例如存在于医学世界中的虚拟社区。应用图论是一个重叠的领域，专注于使用图来表示结构和网络，以及关于图的理论发展来解释在各种领域的应用，从计算机科学，到生物学和化学，到数学和语言学，等等。SNA和应用图论已被用于分析社会关系的结构模式，探索有影响力的信息经纪人，并将组织内部和组织之间的正式或非正式个人网络可视化。

在线网络在其拓扑结构、信息传播模式、同质性(个体与相似他人联系和结合的倾向)以及关系形成和衰减的类型方面已经被研究过[9-11］．这些框架可用于描述医疗社区的特征。在最近的一项研究中，SNA被应用于对加拿大卫生保健社交媒体(HCSMCA)组织的网络特征的调查，特别是当它们与在线社区的形成有关时[12］．除了社区的形成，对网络结构的评估可以帮助描述不同专业医生群体之间实际和潜在的信息流。对社会活动和信息流的描述是了解在线医疗社区中每个网络的可见性以及快速有效地传输健康信息的潜力的第一步。

Twitter可以被认为是一个信息共享网络，因为它的追随者或听众分布高度倾斜，而且它的交互连接率很低(大多数信息共享者不是他们的追随者的追随者)[11］．许多计算机科学研究试图描述信息在推特上流动的距离和速度。11-13］．这个概念被称为信息扩散。为了更好地理解在线医疗社区背景下的信息扩散，首先描述几个信息扩散模型是很重要的。

跨网络模型的连通性变化

概述

有几种网络拓扑(网络的结构或模型)突出了常见的信息扩散模式。图1显示用于小型有向网络的三种拓扑的示例。在每个例子中，圆被称为“节点”，线被称为“边”。

连接到一个节点的边的数量被称为节点的度。每个网络中边缘的方向表明了信息流的方向。这些网络之间的区别是度分布，即网络中每个节点的入边和出边的数量。这些边缘连接的模式定义了网络的结构，并规定了消息传播的速度。

‎ 查看此图

网络明星

在星型网络中，节点的度分布严重倾斜。每个时间节点0发送一条消息，网络中的每个节点立即接收到它。但是，当节点8发送消息时，没有人收到它。这相当于一个Twitter子网络，其中一个Twitter帐户或Twitter用户拥有彼此不连接的追随者(他们彼此之间没有直接的通信通道)。当一个子网中的用户连接良好时，我们说他们形成了一个“内聚社区”。内聚量定义为一组个体拥有的共同邻居的数量除以邻居的总数。这种度量是一种更传统的局部“聚类系数”度量的变体。聚类系数是特定于用户的，衡量用户参与的三角形数量。因为星型网络的连通性是有限的(它们之间没有边界)，所以它不能形成一个有凝聚力的社区。然而，对于从中心节点发送的消息，该网络最适合基本信息传播，因为每个人都能立即收到消息，并且不会发送额外的消息。 Messages and ideas sent from the periphery though, do not spread. At the same time, while star structures within a real world network are ideal for quick information diffusion from the center node, they are problematic in terms of network resilience and community development.

随机网络

在随机网络中，节点的度服从正态分布。一个节点有很高或很低的度是不常见的，每个节点的传播力都趋向于均值。当节点0发送消息时，在它到达网络中的每个人之前，它需要三步或三跳。当节点1发送消息时，它将在两跳内到达每个人。如果每个收到该消息的人都将其转发，那么一些节点将多次收到该消息。由于正在发送额外的消息，因此传播被认为是低效的。换句话说，由于随机连接模式，传播消息需要更多的人参与，因此效率不高。此外，这个网络不是一个内聚的社区，因为只有少量的邻居彼此连接。一般而言，信息网络、社会网络、流行病和其他此类网络表现出非随机的连接模式[14］．

小世界网络

在小世界网络中，图的直径(图中任意两个节点之间的最远距离)较低，内聚量高于随机网络。节点度服从幂律分布的网络为小世界网络。在这个网络中，有几个节点连接得很好，但大多数都不是。在我们的示例中，如果节点0发送一条消息，则需要两跳才能到达每个人，而不需要额外的消息(在更大的示例中，我们预计会有少量冗余消息)。这种网络比随机网络更有效。在这个网络中，连接良好的用户具有较高的传播能力，可以起到枢纽的作用，但由于小世界网络的直径较小，来自外围的消息也可以有效传播。这意味着即使大多数节点彼此不是邻居，到达每个节点所需的跳数也很小。小型世界网络往往在整个网络中有一些有凝聚力的社区。小世界网络的另一个有趣的特性是，它们比随机网络更能适应网络中随机节点的移除。由于大多数随机节点的度较小，删除它们不会显著增加直径或降低聚类系数[15］．

许多网络已被证明遵循小世界的属性，包括社交网络、蛋白质网络和选民网络。当剔除名人时，Twitter上节点的度分布近似幂律分布[14］．

基于网络结构的潜在信息传播

具有幂律结构的网络在理论上具有将信息有效地传播给许多用户的能力，即使是来自外围的信息。在这种类型的生成网络中，一条消息可以使用简单的传播策略和少量的重发(网络大小为对数)传播给网络中的每个人[16］．转到Twitter的具体动态，即追随者观察他们关注的人的消息，然后决定是否转发这些消息，捕捉这种行为的一种常用方法是独立级联模型[[17］．在这个模型中，每个人都以某种固定的独立概率重新发送一条消息，该概率捕捉了他们发现一条消息有趣的可能性。在这种情况下，对于生成幂律图(其结构类似于Twitter)，一旦这些概率超过了某个合理的阈值，消息传播就极有可能成为“长期存在”的流行病[18］．研究人员(19]提供了一种识别该模型中有影响力的个人的技术，即由于其在网络中的位置，有可能引发大规模信息级联的用户。在物理研究人员协作网络的真实社交网络拓扑的模拟中，他们表明，如果一条消息在10%的时间内被重发，即10%的“统一重发概率”，他们可以识别出一个消息源，该消息将会传播给成千上万的其他用户。郭等[13他分析了2009年Twitter的信息传播快照，其中包含4170万用户资料和1.06亿条推文，发现超过96%的推文没有被转发，在此期间传播率最高的推文通常被发送者的12%至30%的粉丝转发。然而，即使只有不到1000名粉丝，如果一条消息开始迅速传播，信息级联的规模也远远大于原始粉丝的网络规模。即使最初的转发量很小，情况也是如此。

总而言之，关于信息传播的计算机科学理论得出了关于网络的两件事:(1)Twitter类似于一个具有幂律分布的度分布的小世界图，(2)在短时间内传播到大量节点是可能的，(3)这些大规模传播可以通过简单的重发规则实现(即，它们不需要复杂的集中规划)。

应该提到的是，在信息传播和社区凝聚力之间存在一种自然的权衡。如果有较高的社区凝聚力，社区成员将能够快速获取信息。然而，社区外的成员不会。相反，如果内聚性较低，信息可以传播给更广泛的受众。然而，在没有活跃社区参与者的子网络中，实际传播量可能很低。对于信息传播网络而言，发展一个具有适度凝聚力的社区将使信息向更广泛的受众传播。

在这项初步研究中，我们试图采用应用图论和基本SNA框架，通过检查一些医学专业协会的Twitter网络，来表征和理解医学界子集内社交媒体上的信息扩散。

方法

概述

使用社会网络分析和网络配置模型来描述在Twitter上存在的四个专业医生群体的社区结构和信息传播。这项分析的核心团体是:美国医学协会(AMA)、美国家庭医生学会(AAFP)、美国儿科学会(AAP)和美国医师学会(ACP)。本研究中使用的度量标准的解释载于表1．

网络特性

使用Twitter API (api.twitter.com)来描述网络:确定每个组的追随者数量和推文数量。这些数据收集于2012年7月至2012年9月之间。我们的自动程序忽略了禁用、私有或无法识别的帐户。这还不到我们可以访问的账户的1%(1257/238,853)。与计算机科学的其他研究类似，关注者数量被用作实际信息传播的指标，二级关注者作为信息传播潜力的指标，用户关注的数量作为识别潜在信息源的方式，推文数量作为特定群体或个人信息传播频率的指标。

我们通过测量专业群体之间追随者的重叠量作为百分比[(a相交B)/min(| a |，|B|)*100]来估算该数据集的社区凝聚力。重叠对于开发一个有凝聚力的社区是必要的，该社区具有共同的追随者集和追随者子集之间的联系。如前所述，过多的重叠可能会减少在社区之外传播的信息量。我们还使用可视化来更好地理解这种重叠。

信息流动

从2012年8月1日到2012年9月1日这一个月的时间里，我们分析了每个组的推文的实际信息流。研究人员使用推特数据聚合器Topsy对四个专业医生小组发布的推特进行了检查。20.，以确定每条推文被转发了多少次。Topsy是Twitter的合作伙伴，自Twitter于2006年成立以来，Topsy已经对所有公开推文进行了索引。值得注意的是，由于这些数据是动态的，在收集数据之后可能会出现更多的转发。

推文传播分析

对于每一组，2012年7月1日至9月12日之间发送的推文都被识别和评估，包括转发的数量和传播的细节。接下来是识别转发消息的个人，确定每个转发者的追随者数量，并计算转发者网络规模，以衡量实际信息流。查看一条消息被转发了多少次，与如果一个组织的所有关注者都转发了该消息，则该消息可能被转发的次数进行比较，可以衡量实际推文传播与理论最佳传播的接近程度。

结果

网络特性

表2显示此分析中每个专业医疗团体的关注者数量、用户关注的数量、推文数量以及信息传播潜力。这些数据表明，所有这些专业群体都拥有数千名粉丝，理论信息传播潜力在690万至1.22亿人之间。这个值是每个专业组的关注者和2级关注者的总和。例如，如果AAFP的所有关注者都转发AAFP发送的消息，将有6,959,092人看到该消息。鉴于传播的巨大潜力，我们可以将这些专业团体视为twitter领域内的信息经纪人。

中，利用累积频率图绘制各群体追随者的信息传播潜力图2．每条线代表一个组织，并显示了他们的追随者在给定规模的追随者网络中所占的百分比。值得注意的是，图是一个对数刻度。例如，超过25%的AMA追随者的关注人数少于10人。我们看到，这些子网络的追随者分布符合幂律分布，大约一半的节点拥有少于100个追随者，很少有节点拥有数十万个追随者。

在AAFP和ACP中，超过一半的追随者拥有强大的听众网络(二级追随者网络)，至少有100名听众。AAFP、ACP和AAP的每个追随者的听众中位数分别为120、165和81。相比之下，大多数AMA的追随者拥有更小(更安静)的听众网络，超过50%(119,560/213,122)的听众少于50人。这些组织都有广泛传播的潜力，因为所有这些组织都有很大比例的听众本身就是信息经纪人。

网络重叠的详细社交网络可视化显示在图3．这个可视化只显示了三个较小的医生群体网络，因为最大的一个，AMA，拥有大约十倍于其他三个网络的追随者。

在所研究的网络中，有证据表明集体社区的开始，其中很大比例的个人(13%-55%)追随不止一个专业团体。如图所示，大多数追随者都是特定于某个群体的。粉色节点表示所有三个专业组，而绿色、橙色和紫色节点表示两个专业组。所有四个群体的总体共同重叠只有471个人，这在这些群体的整体网络中所占的比例非常小，这表明社区凝聚力和交叉施肥数量有限，但仍然允许为信息传播提供有效的渠道(更少的冗余消息)。

‎ 查看此图

‎ 查看此图

信息流动

在考虑信息扩散潜力时，排除那些从未发过推文或转发过推文的关注者是合理的，因为这些人很可能不会转发来自某个专业团体的消息。一个群体的追随者发的推文越多，传播的可能性就越大。图4显示了一个连续的直方图的数量的推特的追随者为我们的每个专业团体。x轴显示了每个专业群体的追随者发送推文的对数量。y轴表示的是发送该数量推文的粉丝的百分比。例如，AAFP(522/7546)、AAP(962/ 11768)、ACP(430/5955)、AMA(39275 / 213122)的关注者没有发送任何推文的百分比分别为6.92%、8.17%、18.43%。

如果将这些追随者及其2级追随者从传播网络中移除，所有四个专业群体的整体信息传播潜力下降不到1%。这表明，不发送任何推文/转发的关注者本身的关注人数很少，并不是必要的信息经纪人。当所有只发送10条或更少推文的关注者被删除时，AMA专业群体的信息传播潜力将降低35%以上。其他职业群体受到的影响仍不到1%。这表明AMA追随者的网络不如其他三个专业网络活跃。对于其他三组，推文传播数量与关注者数量之间的相关性更强。

‎ 查看此图

推文传播分析

除了信息传播潜力外，还评估了推文样本的实际转发传播。图5显示了2012年8月期间实际推文的传播情况(即不同专业医学协会发送的每条推文的转发数)。

x轴表示每条推文，其中推文按转发数排序。y轴表示转发数。在此期间，AMA发布了最多的推文(164条)，而AAP发布的推文最少。每个组织都有一些没有被任何人转发的推文。在这个月里，这些组织中转发次数最多的是24次。考虑到每个群体都有成千上万的粉丝，这种水平的转发导致的信息传播远远低于中所显示的信息传播潜力表2．虽然不太可能，但即使只有少数粉丝转发一条消息，在第三和第四跳时扩散仍然很大。我们没有计算第三和第四跳网络，但以前的文献支持这种扩散模式;巴克希等[21]分析了2009年的一组数据，其中包含160万推特用户，并确定了他们推文的常见信息级联模式。其中许多模式涉及第三和第四跳用户的传输。因此，我们不能忽视传播发生在2级追随者之外。

最后，我们考虑了一条特定推文的传播:一条实际推文的传播如何与理论上的最佳传播相比较?这里，我们关注的是推文的传播，而不是推文的内容。是否有任何推文传播给了医学界的大部分人?表3将2012年7月1日至2012年9月12日发送的推文的最高转发传播量(实际信息传播量)与每个专业群体的传播潜力进行比较。

总体而言，转发数量和收到该推文的个人数量不到总人口传播潜力的0.2%，其中来自ACP的推文传播最少。

‎ 查看此图

讨论

主要研究结果

在我们的研究期间，AMA拥有最多的追随者——因此，信息传播潜力也最大——分别被AAP、AAFP和ACP紧随其后。然而，每个较小的组织都有一个强大的追随者网络，其中的个人本身就是潜在的强大的信息经纪人。我们也开始看到这些群体之间的相互联系，这从关注所有三个小组织的一组用户中得到了证明。这一初步分析表明，可能存在很大的信息扩散潜力，但当我们分析实际发送的推文时，实际传播远低于计算出的潜力。

随着社交媒体和Twitter的日益普及，医疗机构被敦促参与社交媒体，积极分享信息。因此，确定可以使用哪些指标来衡量这种媒介的有效性是很重要的。本研究试图描述四种医疗网络的特征，分析其理论信息传播潜力、实际信息传播潜力、信息共享者、推文传播分布。

限制

这项研究有几个弱点。首先，我们在某个时间点捕获数据。因此，这只是描述的Twitter网络的一个快照。社交媒体网络往往是动态的，关注者每时每刻都在增加和减少。所以，在所有的可能性中，这些网络今天看起来可能与研究期间不同。此外，Twitter的总体趋势是扩张，用户数量不断增加。事实上，在手稿修订提交时，这篇手稿中描述的每个组织都显示出有更大的追随者。这也适用于为单个推文捕获的数据，这些数据可能已经扩散到研究期间之外。其次，我们的分析没有考虑到网络内部的交互性、互动和参与度。因此，不可能得出关于传播动机或内容如何推动扩散的结论。 Third, though the total percentage of accounts we ignored in our analysis was less than 1%, we could not determine the percentage of private accounts that we did not have access to. According to Beevolve [222012年，约12%的Twitter用户拥有私人或受保护的账户。最后，也是最重要的是，应谨慎解释所述的传播潜力。关注者的数量不一定意味着每个关注者都是有效的或相关的，或者可以进一步传播信息。许多粉丝可能是家庭成员、朋友、商业实体、组织或对这个话题不感兴趣的个人。进一步的研究将需要着眼于追随者的具体性质和身份。此外，由于信息在Twitter上以连续的方式传播，不能保证所有的关注者都会收到或看到所有的消息，因为使用模式不同，许多关注者以更零星的方式查看他们的帐户，因此实时“错过”了许多推文(因此，有机会转发或以其他方式对消息采取行动)。

这项工作仅仅是了解Twitter上几个医疗专业团体的信息力量和潜力的第一步。

结论

分析表明，这些医疗群体参与的子网络具有小世界型倾向。这种结构允许大规模的信息传播;然而，这四个专业群体的实际传播远低于潜力。这与Twitter上的许多其他群组一致。Twitter上大规模的信息扩散是由信息经纪人驱动的，这些经纪人至少拥有一定数量的追随者，其中一些是活跃的追随者。换句话说，对一个网络来说，与少数有影响力的信息经纪人有良好的联系比拥有大量的一级追随者更有价值。虽然拥有大量的追随者是有益的，但如果小型网络拥有一些本身活跃且联系良好的信息经纪人，则仍然可以实现高潜在的分布。发展一个活跃(就转发而言)和参与(就内容、互动性和互惠性而言)的社区对于强大的传播非常重要。如先前的研究所示[23，社交媒体参与是一个复杂的系统来描述和衡量。敬业度可以被认为是一个连续体(低-中-高)，可能遵循特定的模式和等级结构。事实上，正如Neiger等人所描述的，衡量用户参与度的一个指标是转发。虽然这些专业团体中都有一些人会大量转发推文，但这些人在我们的研究期间并不是很投入。鼓励这些信息经纪人转发分享的内容将有助于增加传播。其他增加传播的方法包括更经常地发推文(增加推文的数量以显示Twitter平台的活跃参与度)和更频繁地转发推文。如果组织本身不转发内容，其他人就不会对转发内容感兴趣。这些策略将有助于建立一个更有凝聚力的共享追随者社区，以实现信息的交叉融合。

当然，信息的内容是最重要的。即使有强大的传播渠道，推文也必须及时和引人入胜，以便为追随者提供转发的吸引力，并开始接触到大量的潜在受众。

在过去的几年里，关于Twitter在医学领域的各种用途的报告已经出版:作为慢性疾病患者的支持工具[24]，由卫生部为促进健康而设立[25]，作为会议期间的教育工具[26]，以追踪公共卫生信息的传播情况[27]，并作为卫生专业教育的教学工具[28-34］．一些研究人员正在开发指标，可能使这种媒介能够帮助衡量期刊文章的影响力[35]以及预测期刊文章的引用[36］．然而，作为一个研究领域，Twitter的使用——信息流、内容分析、消息生成者和消息接收者的概况、对公众行为的总体影响——仍处于起步阶段。

这项研究是知识传播理论模型发展的一个例子，它可能对我们如何使用这种媒介赋予患者权力、传播重要的公共卫生信息或推广我们的思想和专长产生实际影响。当研究人员试图描述使用社交网络进行知识转移和传播的最佳实践时，他们将需要查看网络本身，对消息进行内容分析，并评估信使和接收者的行为和行动。这就需要更多的多学科研究，包括计算机科学、传播学、语言学和文化研究方面的专家，以发展和推进这一研究领域。