本文内容如下e-collection /主题问题:

信息流行病学与信息监控(920) 医学2.0:社会媒体，开放，参与，合作医疗(1179) 信息监测，信息流行病学，数字疾病监测，信息管理

发表在在第17卷第6期(2015):6月

在社交媒体上接触人乳头瘤病毒疫苗的负面意见与表达之间的关系:一项观察性研究

在社交媒体上接触人乳头瘤病毒疫苗的负面意见与表达之间的关系:一项观察性研究

在社交媒体上接触人乳头瘤病毒疫苗的负面意见与表达之间的关系:一项观察性研究

本文作者:

亚当·G·邓恩1 作者Orcid图片； 朱莉Leask2 作者Orcid图片； Xujuan周1 作者Orcid图片； 肯尼斯·曼德尔3、4 作者Orcid图片； 恩里科Coiera1 作者Orcid图片
文章 作者 引用文献(115) Tweetations (99) 指标

    原始论文

    1澳大利亚悉尼麦考瑞大学澳大利亚卫生创新研究所卫生信息学中心

    2悉尼大学公共卫生学院，澳大利亚悉尼

    3.儿童医院信息项目，波士顿儿童医院，波士顿，马萨诸塞州，美国

    4美国马萨诸塞州波士顿哈佛医学院生物医学信息学中心

    通讯作者:

    亚当·G·邓恩博士

    卫生信息学中心

    澳大利亚卫生创新研究所

    澳大利亚麦考瑞大学

    塔拉维拉路75号L6

    悉尼,2109年

    澳大利亚

    电话:61 298502413

    传真:61 298502499

    电子邮件:adam.dunn@mq.edu.au


    背景:一些团体和个人在网络和社交媒体上非常活跃，试图对疫苗接种的安全性和价值的公众舆论产生负面影响，并可能影响一些社区的决策。

    摘要目的:我们试图通过明确测量Twitter社区社会结构中潜在的信息暴露，来衡量在Twitter社区中接触到关于人类乳头瘤病毒(HPV)疫苗的负面意见是否与随后的负面意见表达相关。

    方法:我们假设，先前接触拒绝HPV疫苗安全性或价值的意见与发布类似意见的风险增加有关，并通过分析Twitter上发布的消息的时间序列来验证这一假设。研究设计是对与HPV疫苗相关的推文和用户之间的社会联系进行回顾性分析。在2013年10月至2014年4月期间，我们收集了83551条英语推文，其中包括与HPV疫苗相关的术语，以及30621名发布或转发推文的用户中的957865个社交关系。使用之前在手动标记样本上训练过的机器学习分类器，将推文分类为表达负面或中性/积极观点。

    结果:在6个月的时间里，25.13%(20,994/83,551)的推文被归类为负面推文;在30621名发布HPV疫苗推文的用户中，9046人(29.54%)接触了大多数负面推文。用户在接触到大部分负面意见后发布负面推文的可能性为37.78%(2780/7361)，而接触到大部分正面和中性推文的用户发布负面推文的可能性为10.92%(1234/11,296)，对应的相对风险为3.46 (95% CI 3.25-3.67，P<措施)。

    结论:推特上的异构社区结构似乎扭曲了用户所接触到的与HPV疫苗有关的信息。我们发现，在发布关于HPV疫苗的推特的用户中，那些经常接触负面意见的人更有可能随后发布负面意见。虽然这项研究可能有助于确定目前有可能过度暴露于有关HPV疫苗的错误信息的个人和群体，但显然需要进行能够确定影响公共卫生干预信念形成和采纳的因素的研究。

    中国医学医学杂志，2015;17(6):e144

    doi: 10.2196 / jmir.4343

    关键字

    人乳头状瘤病毒疫苗； Twitter消息； 社交媒体； 公共卫生监测； 社交网络


    在过去十年中，美国拒绝接种疫苗的情况有所增加，许多国家都有相当比例的父母对疫苗的安全性表示担忧[1，2］．尽管获得卫生保健的可比性是影响疫苗覆盖率的一个重要因素，但拒绝接种疫苗也直接影响疫苗覆盖率，是疫情爆发的一个重要因素——特别是在拒绝接种疫苗的地理分布集中和人群免疫力下降的情况下[3.］．已知百日咳和麻疹暴发会在拒绝接种疫苗率高的人群中传播[4-7］．

    最近引进的人乳头瘤病毒(HPV)疫苗的拒绝也是一个问题。该疫苗于2006年在美国首次获准使用，目的是降低HPV的发病率，大多数宫颈癌都是由HPV引起的，此外还有生殖器疣和一些口腔癌、肛门癌和阴茎癌[8］．澳大利亚人乳头瘤病毒疫苗接种已导致高度宫颈异常率显著降低，并有早期群体免疫证据[9-12］．然而，各国之间和各国内部对人乳头瘤病毒疫苗的接种率差异很大[13-16］．

    在一些国家，HPV疫苗的引进受到争议的阻碍，尽管有证据证实疫苗的安全记录良好，但一些父母将孩子的疾病或死亡归因于疫苗[17］．网上关于HPV疫苗安全性和有效性的信息质量和种类各不相同[18]，以及新闻媒体对人乳头瘤病毒疫苗的报道[19］．来自希腊的一项研究的证据表明，社区对风险的认识似乎对接种疫苗的意愿产生了负面影响[20.］．更一般地说，有一些证据表明，网络媒体和名人的影响可以增加疫苗风险认知和疫苗拒种率[21-23］．鉴于信息源在影响疫苗接种决策方面的重要性，社交媒体平台被视为跟踪和影响疫苗接种决策的机会[24］．

    很少有研究认为，在社交媒体上监测关于疫苗接种的意见是做出疫苗接种决策的前兆。现有关于公共卫生监测在社交媒体中的应用的研究主要集中在寻找传染病发病率的早期指标[25-28］．例外情况包括对流感爆发反应的检查[29]及流行性感冒疫苗[30.］．除了社交媒体，媒体监控系统已经建立起来，以跟踪新闻媒体和其他在线报道。31，32］．一个例子考虑了在线新闻媒体中的负面情绪，并指出依赖于人工分类文件的系统是非常耗费资源的[33］．

    我们的目的是研究推特用户接触HPV疫苗的负面意见与表达对HPV疫苗的负面意见之间的关系。为了做到这一点，我们检查了Twitter上发布的消息序列，以及在6个月内发布关于HPV疫苗的推文的每个用户之间的社会联系的静态视图。


    数据

    通过应用程序编程接口(API)，通过重复搜索人类乳头瘤病毒、HPV、疫苗、疫苗接种、Gardasil和Cervarix等术语的组合，以编程方式检索公众用户发布的推文，并由Twitter标记为英语。这些条款在2013年10月1日至2014年4月1日的数据收集期间是固定的。我们还收集了与推文相关的元数据，包括日期和时间、用户信息、相关推文(如转发和回复)以及地理标签(位置)信息(如果有的话)。对于每个在此期间发布一条或多条关于HPV疫苗的推文的用户，我们分别使用API检索他们关注的用户列表，以及他们在此期间第一次发布关于HPV疫苗的推文后不久关注他们的用户。

    如果推文拒绝HPV疫苗的安全性或价值，或宣扬拒绝，则被归类为负面推文。由于在此期间收集了大量的推文，我们使用有监督的机器学习方法对推文进行分类，其中涉及手动标记随机推文样本，然后用于训练算法，以识别其余推文中的类似模式。对于每一条推文，我们确定了它表达对HPV疫苗负面意见的可能性的估计。我们构建的特定分类器是4个分类器的集合，它们使用推文的内容(推文本身的单词和单词组合)或用户之间的社会关系(负责推文的用户关注的用户)。一组2098条推文被随机采样，然后由2名研究人员独立评分(95%一致，Cohen的κ=.87)，分歧通过讨论解决，生成最终的训练集。在10倍交叉验证中训练和测试时，4个机器学习分类器的准确率在87.6%到94.0%之间。分类器发展的完整细节在别处有描述[34］．

    分析

    为了分析人群水平的信息暴露，我们测量了用户在6个月的观察期内可能接触到关于HPV疫苗的推文的情况。在此期间，对于每个至少发过一次关于HPV疫苗的推文的用户，我们创建了他们自己关于HPV疫苗的推文以及他们关注的用户发布的关于HPV疫苗的推文的时间轴。为了衡量信息曝光率，我们以与其他推文相同的方式处理转发，以保留曝光率的定义。这意味着我们将曝光定义为用户之间沿社会关系的潜在信息流。并不是所有的推文都被所有的追随者看到，但是通过观察通过网络结构暴露的总流，可以估计人口的异质混合如何影响每个用户所暴露的信息。

    我们通过汇编用户在索引推文的时间戳之前可能接触到的推文列表，确定了用户在此期间每次发布关于HPV疫苗的推文时的先前接触情况。这一比例可作为在此期间之前接触有关HPV疫苗的负面信息的指标。为了解释潜在的长度抽样偏差(较晚的推文往往有更多的曝光)，我们将基于序列的分析限制在至少有3次曝光的推文之前。

    为了直接验证我们的假设，我们计算了一个用户在之前大部分负面曝光后发布负面推文的次数，并将这个计数与之前大部分负面曝光为中性或正面时发布负面推文的次数进行了比较。然后，这些计数用于计算发布关于HPV疫苗的负面推文的相对风险，前提是大多数人之前接触过负面推文。为了避免重复统计相同用户而产生的抽样偏差，我们从每个合格用户中随机抽取1条推文，并重复分析，直到中位数比例和相对风险度量值在3个显著数字处没有变化。


    我们从2013年10月1日至2014年4月1日期间，从30621名用户中确定了83551条与HPV疫苗有关的推文或转发，剔除了最终被删除的推文和最初收集后受到保护或暂停的用户的推文。在83551条推文和转发中，有20994条(25.13%)被监督机器学习分类器集合分类为负面。表1包括不同类型的推文的一些例子。有10天(183天中的5.5%)，关于HPV疫苗的负面推文数量超过了正面和中性推文数量(图1)．

    表1。在搜索中识别的不同类型的Twitter消息的示例。
    分类 Twitter消息文本
    积极的 “HPV疫苗接种有可能将全球宫颈癌死亡人数减少多达三分之二。[URL]删除”
    积极的 口交和男性性别与口腔HPV感染无关:表明男孩需要接种HPV疫苗。#endhpv新研究[URL已删除]"
    中性 四价人乳头瘤病毒疫苗在预防和治疗宫颈癌中的潜力[URL删除]
    负 “Gardasil已向美国政府提交了近3万份不良反应报告，其中包括140例死亡[URL已删除]#vaxfax”
    负 HPV疫苗的主要开发者警告父母，这是一个巨大的致命骗局[URL已删除]
    负 年轻女性的卵巢被加德西破坏:默克公司“忘记研究”疫苗的影响[URL删除]

    在此期间，有30621名用户发布了关于HPV疫苗的推文。该组中的每个用户在此期间发布了1至1842条关于HPV疫苗的推文，每个用户的推文中位数为2条(IQR 1-2) (图2)．主要发布负面推文的用户和主要发布中性或积极推文的用户之间的分布有所不同。尽管总体上有更多的用户发布中性/积极的推文，但在此期间，最多产的用户发布的大多是对HPV疫苗的负面意见。

    我们将社交关系定义为关注或被关注关于HPV疫苗的推特用户的用户集。在6个月的时间里，所有关于HPV疫苗的推特用户的独立关注者总数为51,397,377人。每个用户的总关注数在0到5,136,595之间变化，中位数为274 (IQR 36-996) (图3(左)。仅考虑发布HPV疫苗推文的用户之间的联系，就确定了957,865个社会联系，这定义了30,621个用户之间的内部社会联系网络。在这个内部网络中，每个用户的关注人数从0到10,945不等，每个用户的关注人数中位数为8 (IQR 2-33) (图3,对吧)。尽管新闻机构和杂志在用户中占大多数，总体上拥有最多的粉丝，但政府卫生组织和学术机构或团体在内部网络中拥有最多粉丝的用户群体中表现更为一致。特定形式的替代医学从业者和作家(书籍和博客)以及反疫苗活动家和名人并没有出现在拥有最多粉丝的用户群体中，但在计算内部网络的粉丝数量时，他们占据了更高的位置。

    虽然只有25.13%(20,994/83,551)的推文被归类为负面推文，但29.54%(9046/30,621)的推文用户似乎更多地接触到负面推文，而不是中性和积极的推文。这种差异以及对网络的视觉解释表明，发布关于HPV疫苗的负面推文的用户在网络中并不均匀，而且通常属于主要由也发布关于HPV疫苗的负面推文的用户组成的社区(图4)．

    在30,621名发布HPV疫苗推文的用户中，18,657名用户的时间轴上至少有1条推文是在至少3次接触HPV疫苗后发布的，因此有资格对接触HPV疫苗和随后的推文进行时间分析。在先前大多数人接触负面推文后，发布关于HPV疫苗的负面推文的可能性为37.78%(7361名用户中有2780人)。对于先前曝光大多为中性/正面的用户，10.92%(11296名用户中的1234人)随后发布了负面推文。这些结果对应的相对风险为3.46 (95% CI 3.25-3.67，P<.001)，表明先前对HPV疫苗有更多负面意见的用户更有可能表达负面意见。

    为了进一步测试不同用户组中曝光和表达之间的联系，我们进行了事后亚组分析。在符合纳入标准且关注者少于1000人(n=11,845)的用户组中，我们以同样的方式计算了相对风险，发现在更频繁地接触到关于HPV疫苗的负面意见后，发布关于HPV疫苗的负面意见的相对风险为3.61 (95% CI 3.32-3.93)。对于关注者少于500人(n=8790)的用户，相对风险为3.57 (95% CI 3.23-3.95)，对于关注者少于300人(n=6521)的用户，相对风险为3.76 (95% CI 3.33-4.24)。结果表明，在粉丝较少的推特用户中，之前的曝光和随后的表达之间的联系略强。

    ‎
    图1。数据收集期间每天发布的推文数量，包括拒绝HPV疫苗安全性或价值的推文(橙色)和所有其他HPV疫苗推文(青色)。灰色竖线表示星期日。没有对时区差异进行校正。
    查看此图
    ‎
    图2。2013年10月1日至2014年3月31日期间，每个用户在推特上发布的与HPV疫苗相关的推文顺序分布。每个用户的推文数量用一个点表示，分别表示发布负面推文最多的用户(橙色)和所有其他用户(青色)。
    查看此图
    ‎
    图3。根据总关注者数量(左)和30621个用户网络中关注者数量(右)的用户有序分布。每个用户用一个点表示，并以发负面推文最多的用户(橙色)和其他所有用户(青色)的颜色表示。垂直轴为零调整，以适应没有追随者的用户。
    查看此图
    ‎
    图4。2013年10月至2014年4月期间，有30621名用户在推特上发布了HPV疫苗，他们通过启发式进行组织，以便用户与与他们有联系的其他用户更接近。节点的大小与网络中追随者的数量成正比。用户根据信息暴露程度被着色(橙色:暴露在大多数负面意见中的用户;青色:主要接触中性/积极推文的用户;灰色:未接触HPV疫苗的用户推文)。
    查看此图

    主要研究结果

    在此期间发布的关于HPV疫苗的推文中，约有四分之一对HPV疫苗的安全性或价值提出批评，或积极鼓励拒绝接种疫苗。这些推文包括错误信息、轶事和可能导致疫苗犹豫或拒绝接种的观点，构成了近30%在此期间发布HPV疫苗推文的用户暴露的HPV疫苗相关信息的大部分。我们对追随者关系网络的分析表明，对HPV疫苗表达负面意见的用户往往与表达相同意见的用户联系更紧密。我们对HPV相关推文序列的分析表明，之前接触有关HPV疫苗的负面推文与随后发布有关HPV疫苗的负面推文之间存在关联。总之，这些结果表明，同质性或传染性可能在表达对HPV疫苗的负面意见中发挥作用，但该研究并没有帮助量化它们的具体贡献[35］．

    据我们所知，我们的研究是第一个考虑信息暴露与随后在社交媒体上对疫苗的表达之间关系的实证研究。其他研究使用监督机器学习来自动分类关于疫苗接种的推文[30.]，推文的频率随时间的变化呈现出与我们观察到的相似的时间模式。其他研究将推特作为实验室来测量负面新闻内容、抱怨和谣言的传播[36-38］．其他考虑到错误信息的研究专门旨在区分可信信息和不可信信息，遏制错误信息，以及确定错误信息来源[39-41］．

    值得注意的是，我们使用的研究设计排除了以下结论:暴露(意见传染)、用户与已经持有类似意见的其他用户建立联系(同质性)或其他外部因素导致有联系的用户表达类似意见的后果是在这段时间内表达的负面意见的比例[35］．从可观测网络或合成网络中测量或模拟传染的替代研究设计在其他应用领域很常见，在网络科学中更普遍[42-46]，包括节点之间的连接随时间变化的地方[47-49］．

    其他研究以不同的方式考虑了新闻和在线媒体对疫苗的报道。一项调查疫苗在媒体中的表现的研究发现，媒体报道中对疫苗的负面意见率一般为31% [33]，在对美国和加拿大有关HPV疫苗的新闻报道的研究中，这一比例相似[50］．相比之下，29%的美国父母表示不确定是否为孩子接种疫苗，或以其他方式推迟或拒绝接种疫苗[51］．在英国，很少有报纸文章(包括小报)被归类为负面文章[52]，而在英国，19%的家长表示他们将来不会为孩子接种疫苗[53］．澳大利亚的一项研究发现，2006年至2009年期间，39%的报纸文章出现了对HPV安全的担忧[19］．20世纪90年代中期的一项调查新闻媒体的研究发现，一小部分人要为近一半的反对接种疫苗的言论负责。54］．利用近20年后的数据，我们在推特上发现了类似的HPV疫苗模式——少数人在推特上发表负面意见，产生了相当大比例的负面意见。鉴于这些比例远高于登记中记录的约2%的平均拒绝接种率[55，56]，需要做更多的工作来了解负面意见的人口水平指标如何与疫苗接种决策有关。

    影响

    这项工作的意义包括理解Twitter上的社区从属关系如何与错误信息的暴露、随后的意见表达和个人决策相对应的新途径。我们在这里使用的简单方法对于回答关于新信息如何在不同社区中建立的问题可能具有实际价值。例如，证明有效性的科学研究结果是否倾向于主要通过科学界传播，而不是通过犹豫不决的父母群体传播?哪些受欢迎的新闻网站、有影响力的用户或组织与更容易受到错误信息影响的社区联系更紧密?青少年或他们的父母在遇到错误信息或对疫苗过程的负面经历后，有多少次会传递负面意见?使用新方法对Twitter用户的位置和特征进行分类[57，58]，有可能构建推特衍生的指标，在地理区域和人口阶层中反映扭曲的错误信息暴露，这些指标可能有助于预测或反映决策的局部变化，如拒绝增加。从实际角度来看，这种信息风险监测可用于补充现有收集本地化信息的方法(调查、访谈和登记分析)，并通过更有效地确定资源目标，改善社区参与和公共卫生行动。

    限制

    这项研究的局限性在于我们无法追踪社会关系在这一时期的出现和消失。由于我们在Twitter上访问这些信息的速率受到限制，在此期间，与每个用户相关的社交关系仅在我们第一次识别出该用户的相关推文后不久收集了一次。然而，通过检查集合内用户之间连接的一致性，我们发现81.6%的用户连接是由其他用户的信息确认的(例如，用户的关注者被确认为该用户关注的人)，因此我们有理由相信，随着时间的推移，连接结构是相对一致的。

    我们的搜索词是固定的，尽管我们谨慎地选择了涵盖绝大多数关于HPV疫苗讨论的搜索词，而不收集无关的推文，但我们可能漏掉了一小部分关于该主题的推文，这些推文可能没有相同比例的负面意见。随着时间的推移，用于改进搜索策略的查询扩展技术可以在未来的工作中应用于解决这一限制[59-61］．最后，我们依赖于集成分类器而不是手动标记，因此有一小部分推文会被错误分类。然而，分类器的缺陷不太可能影响结果，因为这项研究是在大群体中进行的，我们对曝光率的衡量是基于计算大量推文的大多数，而不是单个推文，而且这种关联很明显。

    结论

    我们发现，与经常接触中性或积极信息的用户相比，经常接触有关HPV疫苗安全性和价值的负面意见的推特用户更有可能在推特上发表负面意见。虽然我们无法确定同质性、用户特征和传染性对这种影响的差异贡献，但结果提供了该时期推特上对HPV疫苗的负面意见的详细视图，并表明了社区结构、信息曝光和社交媒体用户对疫苗的负面意见表达之间的关联。对社交媒体上关于疫苗接种的意见进行持续监测可以补充调查和其他公共卫生监测方法，以提高公共卫生传播战略的效率和功效。

    致谢

    国家卫生和医学研究理事会(NHMRC)为电子卫生卓越研究中心提供了资金。NHMRC在手稿的审查或批准中没有发挥任何作用。

    利益冲突

    没有宣布。

    1. Omer SB, Richards JL, Ward M, Bednarczyk RA。2005-2011年疫苗接种政策和免疫豁免率。中华外科杂志2012年9月20日;367(12):1170-1171。［CrossRef] [Medline］
    2. 把目标对准中立的人。自然2011年5月26日;473(7348):443-445。［CrossRef] [Medline］
    3. 欧默，潘，王伟，哈尔西，斯托克利，莫尔顿，LH，纳瓦尔，等。学校免疫接种要求的非医疗豁免:长期趋势和国家政策与百日咳发病率的关联。JAMA 2006 10月11日;296(14):1757-1763。［CrossRef] [Medline］
    4. Sugerman DE, Barskey AE, Delea MG, Ortega-Sanchez IR, Bi D, Ralston KJ，等。在高度接种疫苗的人群中爆发麻疹，圣地亚哥，2008年:故意接种疫苗不足的作用。儿科学2010年4月;125(4):747-755 [免费全文] [CrossRef] [Medline］
    5. Parker AA, Staggs W, Dayan GH, Ortega-Sánchez IR, Rota PA, Lowe L，等。2005年印第安纳州麻疹爆发对美国持续消除麻疹的影响中华医学杂志2006年8月3日;355(5):447-455。［CrossRef] [Medline］
    6. Najjar Z, Hope K, Clark P, Nguyen O, Rosewell A, Conaty S. 2012年新南威尔士州麻疹持续爆发:澳大利亚消除麻疹的风险。西太平洋地区监测响应研究J 2014;5(1):14-20 [免费全文] [CrossRef] [Medline］
    7. 张志刚，张志刚，张志刚，张志刚，等。加利福尼亚州非医疗疫苗豁免与百日咳，2010年。儿科学2013年10月;132(4):624-630 [免费全文] [CrossRef] [Medline］
    8. Forman D, de Martel C, Lacey CJ, Soerjomataram I, Lortet-Tieulent J, Bruni L，等。人类乳头瘤病毒及相关疾病的全球负担。疫苗2012年11月20日;30日增刊5:F12-F23。［CrossRef] [Medline］
    9. baldul - felskov B, Dehlendorff C, Junge J, Munk C, Kjaer SK.实施国家HPV疫苗接种计划前后丹麦妇女宫颈病变发生率。癌症病因控制2014 july;25(7):915-922。［CrossRef] [Medline］
    10. 葛蒂格DM，布罗特顿JML，巴德AC，德里南K，查佩尔G，萨维尔AM。基于人群的HPV疫苗接种计划对宫颈异常的影响:一项数据链接研究。BMC Med 2013; 11:27 [免费全文] [CrossRef] [Medline］
    11. Tabrizi SN, brotonton JML, Kaldor JM, Skinner SR, Liu B, Bateson D，等。澳大利亚人乳头瘤病毒疫苗接种计划后的群体免疫和交叉保护评估:一项重复横断面研究Lancet infection Dis 2014 Oct;14(10):958-966。［CrossRef] [Medline］
    12. Niccolai LM, Julian PJ, Meek JI, McBride V, Hadler JL, Sosa LE。2008-2011年，康涅狄格州年轻女性高级别宫颈病变发生率下降。Cancer epidemiology Biomarkers Prev 2013 Aug;22(8):1446-1450 [免费全文] [CrossRef] [Medline］
    13. brotonton JML, Liu B, Donovan B, Kaldor JM, Saville M.澳大利亚年轻女性的人乳头瘤病毒(HPV)疫苗接种覆盖率高于以前的估计:来自全国代表性手机调查的独立估计。疫苗2014 1月23日;32(5):592-597。［CrossRef] [Medline］
    14. Tsui J, Rodriguez HP, Gee GC, Escobedo LA, Kominski GF, Bastani R.高危社区是否可获得HPV疫苗接种服务?hpv相关癌症和衣原体发病率与安全网诊所的空间分析。癌症病因控制2013年12月;24(12):2089-2098 [免费全文] [CrossRef] [Medline］
    15. Fisher H, Trotter CL, Audrey S, MacDonald-Wallis K, Hickman M.人乳头瘤病毒疫苗接种中的不平等:系统综述和荟萃分析。国际流行病学杂志2013 Jun;42(3):896-908 [免费全文] [CrossRef] [Medline］
    16. Gertig DM, Brotherton JML, Saville M.测量人乳头瘤病毒(HPV)疫苗接种覆盖率和国家HPV疫苗接种计划登记册的作用，澳大利亚。性健康2011 6月;8(2):171-178。［CrossRef] [Medline］
    17. 马戛尔尼KK，邱C, Georgousakis M, brotonjml。人乳头瘤病毒疫苗的安全性:综述Drug saf2013 Jun;36(6):393-412。［CrossRef] [Medline］
    18. Madden K, Nan X, Briones R, Waks L.搜索结果排序:HPV疫苗在线信息的内容分析。疫苗2012年5月28日;30(25):3741-3746。［CrossRef] [Medline］
    19. Chenoa Cooper, Pang C, Leask J.澳大利亚报纸关于人乳头瘤病毒疫苗接种的报道，2006年10月至2009年12月。中华卫生杂志2012;17(2):149-159。［CrossRef] [Medline］
    20. Sotiriadis A, Dagklis T, Siamanta V, Chatzigeorgiou K, Agorastos T.在引入预防性HPV疫苗后，对不良反应的恐惧增加降低了接种疫苗的意愿。中华妇科病杂志2012年6月27日。［CrossRef] [Medline］
    21. 霍夫曼SJ，谭c .遵循名人的医疗建议:元叙事分析。BMJ 2013 12月17日;347:f7151。［CrossRef］
    22. Mason BW, Donnelly PD。地方报纸宣传活动对接种麻疹、腮腺炎和风疹疫苗的影响。中国流行病学杂志，2000年6月;32 (6):473-474 [免费全文] [Medline］
    23. Betsch C, Renkewitz F, Betsch T, Ulshöfer C.疫苗关键网站对感知疫苗接种风险的影响。中华健康与心理杂志2010年4月15日(3):446-455。［CrossRef] [Medline］
    24. Betsch C, Brewer NT, Brocard P, Davies P, Gaissmaier W, Haase N，等。Web 2.0对疫苗接种决策的机遇和挑战。疫苗2012年5月28日;30(25):3727-3733。［CrossRef] [Medline］
    25. A先生，Segre上午，Polgreen下午。在甲型H1N1流感大流行期间，美国使用Twitter追踪疾病活动水平和公众关注。PLoS One 2011;6(5):e19467 [免费全文] [CrossRef] [Medline］
    26. 丘纳拉R，安德鲁斯JR，布朗斯坦JS。社会媒体和新闻媒体能够在2010年海地霍乱爆发早期估计流行病学模式。中国热带医学杂志2012年1月;86(1):39-45 [免费全文] [CrossRef] [Medline］
    27. Milinovich GJ, Williams GM, Clements AC, Hu W.基于互联网的新发传染病监测系统。Lancet infection Dis 2014 Feb;14(2):160-168。［CrossRef] [Medline］
    28. 郭伟林，孙涛，阮敏。天哪，你得了流感?生物监测共享健康信息分析。中国生物医学杂志2011;2增刊5:S9 [免费全文] [CrossRef] [Medline］
    29. Chew C, Eysenbach G.推特时代的流行病:2009年H1N1爆发期间推特的内容分析。PLoS One 2010;5(11):e14118 [免费全文] [CrossRef] [Medline］
    30. Salathé M, Khandelwal S.用在线社交媒体评估疫苗接种情绪:对传染病动态和控制的影响。公共科学图书馆计算生物学2011年10月;7(10):e1002199 [免费全文] [CrossRef] [Medline］
    31. 布朗斯坦JS，弗雷菲尔德CC，麦道夫LC。数字化疾病检测——利用网络进行公共卫生监测。N Engl J Med 2009 5月21日;360(21):2153- 5,2157 [免费全文] [CrossRef] [Medline］
    32. Brownstein JS, Freifeld CC, Reis BY, Mandl KD。监测Sans Frontières:基于互联网的新发传染病情报和健康地图项目。PLoS Med 2008年7月8日;5(7):e151 [免费全文] [CrossRef] [Medline］
    33. Larson HJ, Smith DMD, Paterson P, Cumming M, Eckersberger E, Freifeld CC，等。衡量疫苗信心:对媒体监测系统获得的数据进行分析，该系统用于分析公众对疫苗的担忧。《柳叶刀》感染杂志2013年7月;13(7):606-613。［CrossRef] [Medline］
    34. 周欣，Coiera E, Tsafnat G, Arachi D, Ong MS, Dunn AG。仅使用社会关系信息就能有效预测社交媒体上的反疫苗观点。见:第15届世界医疗与健康信息大会论文集，2015年发表于:MedInfo'15;2015年8月19-23日;圣保罗。
    35. 在观察性社会网络研究中，同质性和传染性通常被混淆。社会方法决议2011年5月;40(2):211-239 [免费全文] [CrossRef] [Medline］
    36. Hansen L, Arvidsson A, Nielsen F, Colleoni E, Etter M.好朋友，坏消息——在Twitter上的影响和病毒式传播。未来信息技术2011;185:34-43。［CrossRef］
    37. 李志强，李志强。理解网络风暴:社交媒体网络中的负面口碑动态。营销传播杂志2013年6月10日;20(1-2):117-128。［CrossRef］
    38. 金峰，曹勇，曹毅，Ramakrishnan N.推特上新闻与谣言的流行病学建模。第19届ACM SIGKDD知识发现与数据挖掘国际会议，2013年第7届社会网络挖掘与分析研讨会论文集;2013年8月11-14日;伊利诺伊州芝加哥，第1-9页。［CrossRef］
    39. Castillo C, Mendoza M, Poblete B.推特信息可信度。见:第20届国际万维网大会论文集。2011年发表于:WWW '11第20届国际万维网大会;2011年3月28日至4月1日;印度海得拉巴，第675-684页。［CrossRef］
    40. 阮np, Yan G, Thai MT, Eidenbenz S.控制虚假信息在网络社交网络中的传播。在:第四届ACM网络科学会议论文集。2012年发表于:WebSci '12 Web科学2012;2012年6月22-24日;伊文斯顿，伊利诺伊州213-222页。［CrossRef］
    41. Shah D, Zaman T.网络谣言:谁是罪魁祸首?IEEE信息理论2011年8月;57(8):5163-5181。［CrossRef］
    42. 社会传染的简单规则。科学通报2014;4:43 [免费全文] [CrossRef] [Medline］
    43. 健康行为采用中同质性的实验研究。科学2011 12月2日;334(6060):1269-1272 [免费全文] [CrossRef] [Medline］
    44. Castellano C, Fortunato S, Loreto V.社会动力学统计物理。Rev Mod Phys 2009年5月11日;81(2):591-646。［CrossRef］
    45. 翁l, Flammini A, Vespignani A, Menczer F.模因在有限关注世界中的竞争。科学通报2012;2:335 [免费全文] [CrossRef] [Medline］
    46. 艾扬格R，范登巴尔特C，瓦伦蒂TW。新产品扩散中的意见领导与社会传染。营销科学2011年3月30日(2):195-212。［CrossRef］
    47. 持续社会关系的网络动力学。欧洲物理学报，2003;32(3):427-433。［CrossRef］
    48. 在经验接触网络中控制疾病传播的环节的生与死。科学通报2014;4:4999 [免费全文] [CrossRef] [Medline］
    49. 刘雪峰，张志刚，张志刚。时变元种群网络的传染动力学。物理学报，2013;37(3):366 - 366。［CrossRef］
    50. Abdelmutti N, Hoffman-Goetz L.关于HPV、宫颈癌和HPV疫苗Gardasil的风险信息:加拿大和美国国家报纸文章的内容分析妇女健康2009;49(5):422-440。［CrossRef] [Medline］
    51. Gust DA, Darling N, Kennedy A, Schwartz B.父母对疫苗的怀疑:哪些疫苗和原因。儿科学2008 Oct;122(4):718-725 [免费全文] [CrossRef] [Medline］
    52. Hilton S, Hunt K, Langan M, Bedford H, Petticrew M.新闻纸媒体介绍了英国为预防宫颈癌而引入的HPV疫苗接种计划(2005-2008年)。社会科学与医学2010 Mar;70(6):942-950 [免费全文] [CrossRef] [Medline］
    53. Stefanoff P, Mamelund SE, Robinson M, Netterlid E, Tuells J, Bergsaker MAR, VACSATC欧洲态度研究标准化工作组。追踪欧洲各国父母对疫苗接种的态度:疫苗安全、态度、培训和交流项目(VACSATC)。疫苗2010年8月9日;28(35):5731-5737。［CrossRef] [Medline］
    54. 试图欺骗自然:1993-1997年新闻反免疫报告。德国公共卫生1998年2月;22(1):17-26。［Medline］
    55. Omer SB, Salmon DA, Orenstein WA, deHart MP, Halsey N.拒绝接种疫苗，强制免疫，以及疫苗可预防疾病的风险。英国医学杂志2009年5月7日;360(19):1981-1988。［CrossRef] [Medline］
    56. Hull B, McIntyre P.在新南威尔士州绘制免疫覆盖率和良心拒服兵役者的免疫图。纽伦堡公共卫生杂志2003;14(1-2):8-12。［Medline］
    57. Jurgens D, Finnethy T, McCorriston J, Xu YT, Ruths D.使用社交网络的Twitter地理位置预测:当前实践的关键分析和回顾。2015年发表于:第九届网络与社交媒体国际会议(ICWSM-15);2015年5月26-29日;英国牛津大学。
    58. Burger JD, Henderson J, Kim G, Zarrella G.推特上的性别歧视。在:自然语言处理经验方法会议论文集。2011年发表于:EMNLP '11;2011年7月;英国爱丁堡，第1301页。
    59. 马苏迪K, Tsagkias M, de Rijke M.在微博帖子搜索中引入查询扩展和质量指标。2011年发表于:信息检索的进展:第33届欧洲IR研究会议;2011年4月18日至21日;爱尔兰都柏林，第362-367页。
    60. 库马尔N，卡特莱特B.基于时间的反馈和查询扩展推特搜索。见:信息检索进展卷7814。海德堡:施普林格柏林;2013:734 - 737。
    61. 信息检索中自动查询扩展的研究。ACM计算研究2012 01月01日;44(1):1-50。［CrossRef］

    ‎
    API:应用编程接口
    人乳头状瘤病毒:人类乳头状瘤病毒
    差:四分位范围

    G·艾森巴赫(G Eysenbach)编辑;提交12.02.15;C Zhang, R Briones同行评审;对作者15.04.15的评论;接受22.04.15;发表10.06.15

    版权

    ©Adam G Dunn, Julie Leask，周旭娟，Kenneth D Mandl, Enrico Coiera。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com)， 2015年6月10日。

    这是一篇开放获取的文章，根据创作共用署名许可(http://creativecommons.org/licenses/by/2.0/)的条款发布，允许在任何媒介上无限制地使用、分发和复制，前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息，//www.mybigtv.com/上的原始出版物的链接，以及此版权和许可信息。
    Baidu
    map