使用Twitter提高人们对宫颈癌的认识:2015年#SmearForSmear运动的内容分析

简介

背景

子宫颈癌是45岁以下妇女中第二常见的癌症，死亡率很高[1］．子宫颈癌由人乳头瘤病毒引起[2］．涂片试验(巴氏试验)可检测癌前病变及早期子宫颈癌。它的引入使许多国家，特别是发达国家的子宫颈癌发病率和死亡率大幅下降[3.］．在英国，1988年建立了一个有组织的国家筛查计划。由于该项目的实施，英国20-79岁妇女宫颈癌的发病率从1982年到2006年几乎减少了一半。然而，自1996年以来，英国大部分地区20至29岁人群的发病率正在上升[4］．由1999年至2013年，5年没有接受细胞检验的女性人数由16%逐步上升至22% [5］．这表明，有组织的筛查本质上不足以保持高覆盖率。

作为互动工具，社交媒体将有很大的潜力来改善行为改变，鼓励参与和自我参与，而不是下降的信息[6-8］．它们也被视为一个促进坚持癌症预防计划的机会，以及一种基于个性化资料筛选高危人群的新方法[9］．2016年12月，Facebook、Twitter和Instagram的月活跃用户分别超过18.6亿、3.17亿和5亿。就推特而言，每天有超过5亿条推文交易。10］．这些社交媒体平台已经成为卫生专业人员和临床医生有效发现健康相关主题和行为的宝贵信息来源[11-14］．

公共卫生运动已经尝试利用社交媒体的能力进行病毒式传播。“肌萎缩性侧索硬化症(ALS)冰桶挑战”的目标是为ALS协会筹集资金。这场活动有世界各地的许多名人参与。2014年9月1日，超过1700万个视频在Facebook上被分享，超过4.4亿人观看超过100亿次[15］．由于这项运动，渐冻人症协会筹集了超过1亿美元[16］．每天都有成千上万的人在推特上谈论渐冻症，这比多发性硬化症的推特数量要高得多，而多发性硬化症是一种公众更熟悉的疾病。17］．“八字胡十一月”始于2003年，每年11月举办，旨在提高人们对前列腺癌、睾丸癌等男性疾病的认识，并为这些疾病筹集资金。参与者留胡子，并在社交媒体平台上发布自拍照，以提高他们的联系人的知名度，并显示他们对这项活动的参与。在丹麦，在2011年八字胡十一月运动开始后，发现转诊时前列腺特异性抗原水平显著下降，而被怀疑为前列腺癌的转诊患者数量增加。然而，在转诊模式和前列腺癌诊断上只发现了微小的差异[18］．这些活动可能会被他们试图制造的嗡嗡声所寄生，并可能传播与健康无关的信息。2013年加拿大胡子月活动在推特上的内容分析显示，它没有达到宣传活动的目标，即建立关于男性健康的对话，特别是关于前列腺癌和睾丸癌的对话。19］．

为了应对英国涂片覆盖率下降的问题，乔宫颈癌信托基金于2015年为欧洲宫颈癌预防周发起了一项名为#SmearForSmear的推特活动。该活动的目的是鼓励女性拍一张自己口红出彩的照片(自拍)，并发布在推特上，同时发出宣传宫颈癌筛查的意识信息。估计观众有5亿人[20.］．

目标

这项研究的目的是确定那些传递提高宫颈癌筛查意识信息的推文，并了解推特用户发布这项运动的特征。

方法

我们对2015年欧洲宫颈癌预防周期间推特上发布的英语推文进行了三步内容分析。

数据收集与提取

为了收集推文，我们使用了Twitter应用程序编程接口。它允许用户使用特定参数(如标签、语言和日期范围)手动搜索推文中的关键字。本研究使用的数据如下:#SmearForSmear，英语，以及2015年1月25日至2015年1月31日(包括两个日期)之间发布的推文(欧洲宫颈癌预防周)。所有的推文都是人工收集和评估的。研究只分析了原始推文，而不是转发。在这些推文中，只有逐字逐句的记录。以“@”开头的标签和内容将被删除，如果该操作不会使逐字逐句难以理解。我们还考虑了与另一个网络平台(例如Instagram)上的另一个逐字链接的所有超文本。只有在提供资料的情况下，才转录相应的逐字记录。

数据分析

将符合搜索条件的3019条推文导入Excel进行数据提取。根据收集的前200条原始推文，由2名独立研究人员进行主题分析，创建了一个分析网格，以提取推文逐字记录和推特用户状态的主题(主题)。然后，这个网格已经在50条新的推特上进行了测试。没有发现新的主题，证实类别已达到饱和[21］．所使用的专题分析方法包括通过建立编码类别将定性内容转化为定量形式。计算属于每个编码类别的数据单元的数量(例如短语、消息和响应)。最后，他们根据相似的含义和公开或推断的交流进行分类[22，23］．主题不限于先前存在的主题。它们是通过归纳过程出现的，通过对数据的开放编码，揭示了从具体到一般的主题[24］．这两名研究人员都是全科医生，并接受过定性研究的培训，他们根据推文制定了一个7个主题的代码本，以确定推文是否传递了提高宫颈癌筛查意识的信息:鼓励进行细胞检验，不精确地唤起细胞检验的重要性，提醒细胞检验的预防性，提醒细胞检验的低发病率，暗示子宫颈癌的死亡率或发病率，提醒子宫颈癌的发病率，以及证明与细胞检验或子宫颈癌有关的经历。如果一条推文至少有一条这样的提高意识的信息，它就被认为是一条敏感的推文。两位独立研究人员对前300条原始推文分类的可重复性进行了测试，并使用Cohen’s kappa系数进行了计算。一致性很强，在。8842和1之间变化。

关于每条推文收集了以下信息:逐字记录、发布日期、检索日期、是否有口红溢出的自拍照、与活动相关的图片或视频、用户性别、用户位置、检索日期时的关注者数量以及用户状态。为了对用户进行分类，我们使用了他们的Twitter状态。如果它不存在或不完整，我们就尽可能从他们Twitter个人资料的链接中提取这些信息。该分析网收集了14个关于Twitter用户状态的主题:健康公司、媒体公司、非健康和非媒体公司、营销公司、时尚公司、博主或youtube用户、健康专业人士、国家卫生服务(NHS)、政治家、患有宫颈癌或亲属患有宫颈癌的女性、患有不明癌症或亲属患有类似癌症的女性、经历过异常涂片检查的女性、普通公众和未知人群。当无法对用户进行分类时，就会归属为“未知”状态。只有“未知”、“普通公众”或“NHS”状态是排他性的。

使用定性变量的不同类别的频率，对样本进行了初始的全局描述。由于定量变量的分布并不总是高斯分布(Shapiro-Wilk检验)，所以用均值、标准差、中位数、最小值和最大值、四分位来表示。当分布为高斯分布时，通过Student检验进行均数比较;否则，它是基于曼-惠特尼检验。参数检验采用卡方检验进行定性变量比较，不符合卡方检验条件时采用Fisher精确检验。然后进行多元逻辑建模过程，以确定与推文中敏感消息的存在相关的独立因素，并与每种类型的敏感消息相关。输入和输出变量分别设置为0.10和0.05，使用了“逐步”的变量选择程序。显著性阈值设置为5%。统计分析由蒙彼利埃教学医院医疗信息部使用SAS 9.4版(SAS研究所公司)进行。

结果

研究人群

符合搜索条件的推文共有3019条;删除了1138条推文(转发或复制推文);分析了1881条推文。

此外，608条推文(32.32%)是敏感的。每一个都包含了从1到5个提高认识的信息。原始推文中提高意识的消息的平均数量为0.54(标准差[SD] 0.93;表1)．鼓励进行涂片测试是最常见的提高认识的信息。

主要用户是来自英语国家的人。英国占发布推文的69.96%，其次是美国(8.67%)和澳大利亚(1.06%)。15.20%的病例国籍不明。此外，57.36%的使用者为女性，35.99%的使用者性别不明。Twitter用户的平均粉丝数为44,420.8(标准差为420,819.04)。54.44%的用户至少发过一张涂口红的自拍照。此外，15.63%的推文与#SmearForSmear运动的图片或视频有关。

单变量和多变量分析

在发布敏感推文和推特用户状态之间有统计上显著的关联表2．

“循序渐进”的选择程序允许识别影响推文敏感性特征的独立因素(表3)．

讨论

主要研究结果

总共有32.32%的#诽谤换诽谤运动的推文是敏感的。这一结果很有希望，因为它远远超过了2013年胡子月活动的结果，当时只有0.85%的发布推文可能会提高人们对男性健康风险的认识[18］．很多因素可以解释这一差距。一方面，这一活动是利用社会营销的整体方法创建的。它的目标是明确的，它的标题也提到了它的目标。Jo的宫颈癌信托发布了一些关键信息，反映了坚持宫颈癌筛查的必要性，这些信息被这次活动的参与者重复使用，以填充他们的推文内容。还创造了一个口号“参加你的诽谤，降低你的风险”，在这次活动中被广泛转发。另一方面，这项旨在检测女性专属癌症的运动基于两种女性社会结构的元素:口红和自拍。25，26］．这种方法是可能的，因为这项运动是为英国设计的，那里有组织宫颈癌筛查。目标女性会自动收到一封信，解释她们如何做筛查以及在哪里进行筛查。收到邀请信是一个独立的敏感因素，会增加子宫颈癌普查的可能性[27］．

至于Twitter用户，我们的预期基本上得到了证实。从一般角度来看，发布敏感推文的推特用户都是亲自参与宫颈癌筛查的人:女性;受女性癌症困扰的女性，无论是为自己还是为亲属;居住在英国的人(这次英语运动就是在英国进行的);NHS作为该运动的合作伙伴;还有做过异常涂片检查的女性。作为同龄人，女性通过坚持细胞检验的预防性方面来提高认识，并直接鼓励其他女性参加细胞检验。同伴影响被认为是改变健康相关行为的重要社会杠杆[28］．同样，在Twitter用户类别中，经历过病理状态(异常涂片检查、宫颈癌或未指明的癌症)的女性或她们的亲属最有可能发布敏感的推文。# smearfor抹黑这样的标签，往往会创造出支持团体的社区。29］．揭露私人生活的元素有助于建立信任和情感纽带30.］．时尚公司是一个用户状态，有很大的潜力发布关于涂片测试重要性的推文，而没有任何精度。积极参与这项运动，张贴与#SmearForSmear运动相关的自拍照、图片或视频，有助鼓励市民参加细胞检验，并宣传细胞检验的重要性。妇女杂志还充当指南，加强妇女为自己和家人创造和保持良好健康的个人责任[31］．至于其他类别的用户，他们在推特上提高意识的消息符合预期。政界人士利用社交媒体与新闻界和公众沟通，宣传涂片测试的低发病率，以及该测试如何有助预防子宫颈癌。[32］．卫生公司提高意识的信息更加直接，鼓励人们参加涂片检查。当局提醒市民注意子宫颈癌的发病率。英国国家医疗服务体系坚持涂片检查的重要性，但没有提供更多信息。这可能与NHS只是这场运动的合作伙伴有关，它只是帮助传播它。最后，还有一个健康专业人员的盲点。这种地位并不是作为一个相关的类别出现的。他们在社交媒体平台上参与健康运动很有趣，因为研究表明，与其他群体相比，他们帖子中包含的信息更有可能是真实的[33］．这种代表性不足可能是由于所研究的运动周期很短。

相反，“不敏感”推文更有可能由与宫颈癌不直接相关的用户发出，如男性(仅为女性癌症)，或由参与但只广播信息而没有参与的用户发出:媒体、营销公司以及非健康和非媒体公司。它质疑他们参与这场运动。是利用病毒式传播的机会吗?这可能是卫生运动在社交媒体上的病毒式传播的主要局限性之一。2013年八字胡十一月活动和乳腺癌预防月的大多数推文都没有引发关于前列腺癌和睾丸癌的讨论，也没有推广任何针对乳腺癌的具体预防行为[19，34］．它们也可能是一种有趣的社会刺激手段。

优势与局限

据我们所知，目前还没有分析推特上# smearfor抹黑运动内容的研究发表。我们的发现得到了Twitter上其他健康运动内容分析的证实。在探索过程中，我们使用了基于对每条推文的敏感性能力进行双重分析的内容分析方法。我们还挖掘Twitter来收集用户特征的信息，并完成推文的内容。

这种高要求的方法让我们很早就决定将我们的学习限制在一周之内。在我们看来，这个选择也是相关的，因为这个运动是为欧洲宫颈癌预防周而创建的。与其他推特活动相比，我们相对较高的结果必须质疑它在其他国家(特别是没有组织宫颈癌筛查的国家)保持高比例敏感性推文的能力，以及它是否随着时间的推移保持高比例。

基于#SmearForSmear标签收集推文的选择可能会限制推文的数量，因为省略了那些没有使用该标签的推文。在内容分析方面，我们使用了2个保障措施:在研究开始前分析推文的内容来创建分类，并由2个独立的研究人员使用科恩的kappa系数来评估分类的可重复性，在本研究中科恩的kappa系数很强。Twitter帖子的长度被限制在140个字符以内，这可能造成了信息的丢失，因为用户经常使用超链接来避免这一限制。然后我们选择手动挖掘Twitter来完成推文的内容，并收集有关用户特征的信息。

视角

#SmearForSmear运动传播了有关宫颈癌筛查的敏感信息，并迅速传播开来。它的基础是精心设计的运动，通过有组织的筛查为受众提供便利，并为卫生系统提供便利。

选择适合目标人群的社交媒体平台是一场成功运动的主要关注点。Twitter很有趣，因为它非常适合进行预约活动，比如#SmearForSmear或ALS冰桶挑战。它也是年轻人用来实时了解新闻的社交媒体平台。35］．但它的受众主要是生活在城市地区的男性。尽管多样化，但拥有大学学历和5万美元以上收入的用户比例远高于Facebook或Instagram。Instagram的用户主要是女性，但72%的美国成年人在线使用Facebook，其用户的参与度最高，每天有70%的人登录。35］．社交媒体平台上的卫生运动应该是减少卫生方面社会不平等的一种方式。在英国，筛查率下降的主要是25岁至49岁的女性、黑人和亚洲少数民族[5］．目标受众必须在选定的社交媒体平台上，然后适应受众演变的转变。

助推器的影响有待研究。如前所述，许多参与这项活动的Twitter用户并没有参与这项活动，因为他们没有发布敏感的推文。但他们参与并帮助向观众播放。卡拉·迪瓦伊等模特也发布了一张自拍照来支持这一活动，并在她的数百万粉丝中提高知名度(2017年5月为850万)[36］．他们可能会作为影响者和榜样来推动一项活动。

我们的研究结果表明，我们显然需要能够自动分析数据并从#SmearForSmear推特活动中提取有用见解的研究。我们建议使用机器学习来应对这些挑战，并对未来的发展方向提出了3个观点。首先，我们计划使用我们目前从2017年2月开始收集的推文集合进行大规模分析。这一分析将包括应用潜狄利克雷分配(Latent Dirichlet Allocation)从有关活动的讨论中提取主题，以及探索Twitter用户的语言风格[11，37-39］．其次，我们可以从统计学习技术中受益，自动预测有关竞选活动的所有推文的类别[40］．这项研究可以让我们评估我们的发现并概括我们的结果。我们将学习一个基于注释数据集的单对多分类器模型，并将其应用于有关该活动的所有推文。我们将把结果与到目前为止所做的手动处理和注释进行比较。此外，在一个足够大的数据集中，我们可以利用机器学习模型来使用更复杂的特征来描述发布活动推文的用户。我们建议关注用户群体，包括卫生专业人员、名人、普通公众和政治家。这将引导我们了解哪些用户群体是突出的，从而影响其他人，使他们转发与活动相关的信息，喜欢和回复推文，或者更重要的是捐款。第三，我们计划调查信息的时间分布，以关注随时间变化的活动动态。我们可以研究推特用户的反应与现实世界事件(如媒体对竞选活动的报道)之间的时间相关性。这种分析是探索性的，它可以帮助确定有助于提高认识的因素。 For example, a televised promotion of the campaign or a promotion published by a celebrity may stimulate a huge volume of tweets and reactions online. Beyond this, we can also analyze the geographical distribution of tweets during the campaign.

社交网络上的健康运动可以提高公众对公共卫生问题的认识。病毒式传播本身并不是目的。将评估社交媒体运动在提高人们对健康状况认识方面的长期效果。“渐冻人症冰桶挑战”已被证明是令人失望的，因为两年后，与渐冻人症相关的网络活动的数量几乎与活动前持平[41］．这些活动的临床效果也有待评估。在一个高度互联的世界里，将这种效果个性化将是一项艰巨的任务。这一科学步骤对于说服利益相关者、卫生专业人员和公众参与进来并将Web 3.0作为集体智慧来击退慢性疾病非常重要，特别是对于最脆弱的疾病。