在线论坛上患者大众传播与人际传播的趋同:混合方法分析

简介

背景

患者有了解和理解的需求(即认知需求)和感觉被认可和理解的需求(即情感需求)[1］．目前，病人在管理自己的健康方面发挥积极作用，在此过程中，他们结合大众和人际交往，以满足他们的认知和情感需要(以下统称“需要”)[2］．通过使用大众和人际交流，患者参与了一个被称为“收敛”的过程[3.-5］．根据Kreps [3.]，趋同可定义为“非个人与人际互动的序列”(第519页;第1类收敛)或"在各种虚拟讨论空间中就健康相关问题进行人际和同伴讨论"(第521页;类型2收敛)。在当前的研究中，我们调整并扩大了这一定义，包括大众传播或人际传播之间和内部的融合。也就是说，我们认为融合是一个过程，一个大众传播源和一个人际传播源(媒介间融合)或两个大众传播源(媒介内融合)被用来满足用户的需求。例如，患者通过咨询医学专家了解自己的疾病(人际交流)，然后通过访问网站验证医学专家的建议(大众传播;中间收敛)[6-8］．媒介内聚合的一个例子是在自己的博客文章中使用来自其他患者博客文章的治疗经验。

这些例子展示了患者如何利用大众和人际交流来满足他们的需求。然而，对这一主题的研究通常集中在一个单独的交流来源上。因此，目前的研究并没有深入了解通信来源如何相互影响，以及需求如何因所使用的来源而不同。回答这些问题很重要，因为患者有不同的沟通渠道。特别是在网上健康信息方面，患者往往难以理解网上复杂的信息，难以评估信息是否可靠，可能会感到不知所措或信息过载[9，10］．因此，患者和医学专家应该一起提供、验证和讨论信息。为了确定哪个(在线)来源最合适，需要了解患者如何组合来源，以及来源的组合如何影响需求。最终，医疗专家的部分昂贵而有限的时间可以用来参考能够可靠地满足部分患者需求的资源。

对于患者如何结合多种来源来满足他们的需求的研究差距，一个解释可以在研究这一过程时面临的方法学挑战中找到。在健康传播方面，既考虑大众传播又考虑人际传播的稀缺研究往往依赖于更传统的研究方法，如调查[11，12]、面试[13]，以及焦点小组[14］．这些方法会受到选择偏差、回忆偏差和社会可取性的影响[11］．通过使用由内容分析和监督机器学习(SML)组成的混合方法，可以克服这些传统方法的局限性[15］．该混合方法将现实通信内容分析与SML相结合。我们使用自然的主动数据(即，数据不是作为研究的一部分获得的，而是由用户在他们的需求出现时编写的)。这种方法的好处是，大量已经存在的自然数据可以用来研究当前的主题。

一个好的起点是分析针对患者的在线健康论坛的数据。论坛为人们的网上活动提供了一个天然的数据库。在论坛开头的帖子中，发帖者通常会提供他们写作时的情况信息，这些信息通常包括以前使用的交流(即融合的迹象)，这种交流努力的结果(即开始论坛帖子的动机)，以及他们试图满足的需求。此外，通常还会包括有关发贴者的背景资料(例如，疾病的阶段和类型，以及发贴者本人或家人是否曾被诊断患有该疾病)[3.，16］．因此，通过使用这种混合方法，我们能够更深入地了解患者将大众传播和人际传播结合在一起的频率，他们参与融合的原因，他们试图满足的需求，以及论坛帖子的内容是否因他们在写帖子之前使用的传播来源而不同。以下是本研究的核心研究目标:在论坛开头的帖子中可以检测到哪些收敛的迹象，收敛发生的频率如何，患者试图通过收敛来满足哪些类型的需求，以及不同类型的收敛的论坛帖子特征(即动机、关于帖子的信息和需求)有何不同?

在这项研究中，我们在癌症的背景下使用论坛。癌症患者在患病期间面临着许多问题和不确定性[17，18］．此外，论坛等在线平台和与医疗保健提供者的人际交流是癌症患者最重要的两个信息来源[19］．

人际沟通

一般来说，大多数患者认为医学专家是最值得信赖的信息来源[20.］．在一篇综述中，Shea-Budgell和他的同事[20.]强调，患者高度信任医学专家，因为他们在患者认为最重要的问题上具有专业知识，包括治疗、筛查、检测和检测。此外，他们的医疗和信息培训，以及在较小程度上，他们在咨询期间提供的情感支持，都被认为是灌输信心的因素[21-23］．然而，在向医学专家咨询后，仍有40%至90%的患者报告需求未得到满足[24，25］．对于这些未被满足的需求，可以给出多种原因。与患者相关的原因包括未提及的担忧、对某个医学专家缺乏信任以及信息过载[26］．与医学专家有关的问题包括时间限制和缺乏经验[27］．因此，患者也依赖其他来源来满足需求，如在线论坛。患者希望他们的医学专家讨论他们通过其他来源发现的内容，并提供他们的专业意见[28］．通过与他们的提供者讨论在线健康信息，患者参与了媒介内融合。

网上论坛

在线论坛通常由患者及其亲属使用，可以被视为虚拟社区。虚拟社区存在于许多不同的领域，涵盖许多主题，并将具有各种共同特征的群体连接起来。在本研究中，我们采用Rheingold的定义[29他指出，虚拟社区是“当足够多的人进行足够长时间的公开讨论，具有足够的人类情感，从而在网络空间形成个人关系的网络时，从网络中产生的社会聚集。”许多患者会遇到各种各样的需求，并使用多种沟通渠道来满足这些需求。因此，这些患者在网上论坛上很活跃，同时也经常与医疗专家等其他来源接触[30.］．患者使用这些平台来了解他们的疾病，同时也与处于类似情况的其他人联系和交流经验，并提供支持[7，8，31］．通过鼓励和支持用户的积极参与(例如，在与个人相关的话题上打开一个帖子)，论坛有可能为用户提供不同类型的支持，例如获得同伴的支持，通过提供信息感到有力量，并在同伴的故事中认识自己，从而感到不那么孤立。11，32］．论坛在解决患者需求方面的可塑性以及在任何时候都能做到这一点可能是患者转向这些论坛的关键原因。

趋同与潜在动机

许多患者决定结合多种来源来满足他们的需求。一般来说，25%至83%的患者在咨询医疗专家之前或之后会在网上搜索健康信息[33-36］．除了咨询之外，患者似乎还使用在线健康信息为自己做准备[13]，以补充医学专家所提供的资料[13，24，25]，以及验证或质疑医学专家所提供的资料[13］．

为了理解患者为何使用多个来源，可以使用最优匹配模型[37，38］．该模型指出，为了满足患者的需求，这些需求应该与正确类型的支持相匹配。例如，如果病人觉得需要为会诊做准备，或者想要补充、验证或质疑医学专家所提供的信息，这种需求可以通过从其他来源收集事实信息来满足。相比之下，如果患者感到迷茫和孤独，这种需求可能不会通过接收即将到来的治疗信息来满足，而是通过获得情感支持来帮助他们应对生病的情感方面。根据最优匹配模型，患者会主动选择他们认为最有可能满足当前需求的沟通渠道。觉得自己应该为会诊做准备的患者更有可能选择在线医学图书馆来满足这些需求，而感到迷失的患者更有可能求助于在线健康论坛和博客，在这些论坛和博客上，他们可以与其他患者进行互动[3.，31，39-41］．这项探索性研究通过确定患者是否以及如何通过使用多种来源来满足他们的需求，以及这些来源是如何交织在一起，有助于优化匹配理论。

研究问题

综上所述，我们认为论坛帖子为人们的交流活动提供了一个天然的数据库，这些论坛帖子可以为更好地理解沟通渠道之间的相互作用提供一个机会。因此，我们的第一个研究问题(RQ1)是这样提出的:论坛开帖中趋同迹象的频率是多少?此外，这些论坛帖子可以自然地记录使用不同媒体(例如，在看医生或阅读在线健康信息后)来满足特定需求的动机。因此，研究问题2 (RQ2)提出如下:患者通过开论坛帖子试图满足哪些需求?通过使用混合方法分析这些论坛，我们也能够捕捉到其他相关信息，如关于发帖者的信息披露和发帖动机。3.，16］．这些方面对于洞察不同情况下的用户如何通过使用多个来源来满足自己或亲属的需求非常重要。因此，我们提出研究问题3 (RQ3)如下:对于不同类型的收敛，动机(3a)、关于发帖者的信息(3b)和需求(3c)是如何不同的?

方法

研究设计

我们采用了一种混合方法，包括经典的社会科学方法(即框架方法[42])和较新的计算社会科学方法(即SML)。这种方法的好处是双重的。首先，这种方法允许我们结合两种方法的独特特性。一方面，框架方法从基于理论的码本开始(即敏感性概念的使用)，然后通过对数据子样本进行(开放)编码的迭代过程进一步发展。另一方面，编码后的子样本可以使用SML用代码和类别标记整个样本，从而使我们能够从子样本上的开放编码数据转移到适合基于完整数据集进行定量分析的数据，使研究人员能够分析不可能手动编码的样本大小。其次，SML允许我们以及其他研究人员和从业者在不同的数据集或实际应用中(重新)使用训练过的模型。算法的重用使得具有成本效益的收敛纵向研究成为可能，因为模型可以自动和有意识地应用于新数据。

数据

我们使用的数据来自在线论坛Kanker上的癌症患者和亲属。问[43在荷兰。癌症是最常见的疾病，年发病率为每10万男性和女性439.2人(2018年为18,078,567人)，每10万人死于癌症的年发病率为163.5人(2018年为9,555,027人)[44］．此外，癌症患者和他们的亲属经历多次医疗专家的访问，面临许多问题和不确定性。在荷兰，Kanker。nl是荷兰在线社区中最大和最知名的癌症相关信息网站之一[43］．

用户必须注册并提供他们的姓名和有效的电子邮件地址。Kanker内部所有平台的参与者。Nl在注册时给予(标准)同意使用他们的数据进行研究。本研究已获得阿姆斯特丹大学伦理委员会的伦理批准(2016-PC-7547)。

对于完整的数据集，首先提取所有论坛条目(N=9573)。第二，只选择了线程的开头帖子(n=1708)。之所以选择开头的帖子，是因为它们最有可能包含对情况的描述和用户想要满足的需求。每个线程开口的中位数为608.05(范围为3-20,649)。这些帖子是在2013年4月至2016年11月之间创建的。

阶段1:框架方法

在所有1708个线程开口中，306个帖子(17.92%)的随机样本由第一作者(RS)在多次迭代中手动编码。首先，使用来自文献的两个敏感概念(即信息来源和搜索健康信息的动机)，对100个帖子进行了收敛迹象(RQ1)、打开论坛线程的动机(RQ2)、受欢迎需求(RQ3)和个人特征(RQ3)的开放编码;总共使用了583种不同的代码来回答RQ2和RQ3所需的结构。其次，这些开放代码被合并为总体的、潜在的类别。例如，不同的医学专家(如全科医生、肿瘤学家和护士)之间的区别被合并到一个医学专家类别中。第三，在与合著者(AL, RV, JvW)的研究会议上评估代码本和类别的完整性。结果，又合并了几个类别，并添加了更具体的类别。这一过程产生了以下类别:聚合、发帖动机、发帖信息和需求(见表1对于密码本)。第四，更新后的代码本由第一作者和训练有素的编码员(RS和MB)评估，他们对20%的样本进行了双重编码。互编码器可靠性较好(Lotus范围0.98-1.00);中每个类别显示Lotus和标准化的Lotus分数表2．第五，所有306个导出线程开口都由第一作者(MB)使用代码本手动编码。最后，由第一作者(MB)将手工编码的帖子转换为二进制变量，用于第二阶段。

电报密码本

表1包含在SML阶段编码的类别和代码。这些变量被编码为0(不存在)或1(存在)。图1显示了从论坛开头帖子中提取概念的虚构示例。

‎ 查看此图

阶段2:SML

我们使用SML训练分类器的参考大众或人际传播(见多媒体附件1参阅SML阶段的详细说明)。685个手动编码的开口柱子样本(分两轮)被用作SML的输入。这个样本被分成一个训练集(n=548)和一个测试集(n=137)，使用80-20的分割。使用Scikit-Learn [45]，对数据进行预处理(见多媒体附件1(参见详细介绍)，分类器使用不同的算法进行训练，如支持向量分类、随机梯度下降、多项式naïve贝叶斯、梯度增强和被动主动分类器。这样做是为了评估哪种算法对于它被训练来预测的每个概念具有最佳性能。在此过程中，我们采用了网格搜索策略，测试每种算法的不同参数组合以及对数据进行预处理的不同选项。

分类器的质量是根据精度、召回率和F1分数来评估的，这些分数用于预测类别存在的情况(即，对于参考大众或人际传播为1的情况)。精度给出了自动分配的标签与人类标记的数据相对应的比例。Recall给出了自动找到的真实标签的比例。这通常会导致准确性和回忆率之间的权衡;例如，在召回率较高的情况下，一些召回数据为假阳性的可能性会增加，因此精度分数会下降。F1分数是召回率和准确度的调和平均值。随机梯度下降被证明在预测分类器收敛大众媒体和收敛人际媒体(回忆_人际关系= 0.76、精密_人际关系F1 = 0.85 = 0.96;回忆_massmedia= 0.86、精密_massmedia= 0.92, F1 = 0.89)。看到多媒体附件2得到完整的混淆矩阵。这些分类器应用于开放帖子的完整数据集(N=1708)，以创建可能包含收敛迹象的开放帖子的子样本(N= 771, 45.14%)。

阶段3:手动编码汇合点

为了确保自动分配的分类器的有效性，对创建的帖子子样本进行了正确性检查。在自动标记的含有收敛迹象的帖子中(n=771)，有245篇(31.78%)在人工检查后没有收敛迹象，并被编码为“无媒体”。接下来，文章的子样本由第一作者(MB)使用其余类别的代码本手动编码(参见表1)．

分析

在进行分析之前，对所有自变量进行了多重共线性可能存在的问题的测试。仅涉及诊断后的时间、疾病的阶段和疾病类型(r_时间r = 0.82,_时类型=0.92);因此，这些项合在一起作为“疾病信息披露”(特征值=2.71;R²= 0.90;α= .95)。

使用描述性分析回答RQ1和RQ2。为了比较包含不同收敛迹象的帖子(RQ3)之间因变量的结果，进行了两次多项逻辑回归分析。在这两个分析中，引用的传播渠道是因变量(即没有媒体、大众传播或人际传播)。第一个回归以无媒体作为参考类别，海报信息和需求作为自变量。由于“动机”这一类别不适用于“无大众”或“人际媒体”这一类别，因此动机在本分析中被省略。然而，为了找出包含收敛迹象的帖子之间的差异，动机、帖子上的信息和需求被纳入了第二次回归分析，其中大众传播被用作参考类别。这些分析的结果显示为比值比(OR)。一个R值为1表示所比较的组之间的概率没有差异，而值为>1表示概率增加，值<1表示概率下降[46］．

结果

论坛帖子趋同的迹象

结果表明，30.80%的完整样本(n=526)包含收敛迹象。这些被分为大众传播(324/ 526,61.6%)和人际传播(202/ 526,38.4%)。在下面的部分中，将更深入地描述这些类别。

在所有大众传播引用中(n=324)， 274(84.6%)引用了在线资源(例如，其他成员的简介或博客，有关癌症[患者]的新闻媒体文章，以及健康信息网站)。在所有有大众传播引用的帖子中，214/324(66.1%)的帖子包含网站引用。线下大众传播被引用了49次(15.1%)，其中包括印刷报纸、书籍和电视。

在所有的人际交流帖子(n=202)中，162篇(80.2%)推荐给了医学专家(如肿瘤学家、护士和全科医生)，14篇(6.9%)推荐给了家庭成员。这些人包括有个人患病经历或通过其他渠道提供信息的家庭成员。在线下提供信息的患者被引用3次(1.5%)，22次(10.9%)被引用到与其他人的交流事件。通常，这些事件包括与工作有关的关系(例如，雇主、保险公司和康复机构)。

关于RQ1，几乎三分之一的论坛开幕帖子包含了趋同的迹象，因此包括了大众传播或人际传播。在提到大众传播时，主要提到了网络资源，而在人际传播中，最常提到的是医学专家。

海报的需求

在771个包含融合迹象的开放帖中，有344个(44.6%)是询问特定治疗经验(如药物、程序)或癌症生活(情感)影响(如副作用处理、重新融入社会、身体形象)的经验。其次是与社区建设相关的论坛开放职位(266/771,34.5%)。在这些情况下，招贴者开始讨论一个特定的主题，如医疗部门的发展，有或没有一个新闻故事的URL(在线)。开设论坛的第三大需求是分享个人经历。总的来说，143/771(18.6%)的职位有这方面的需求。最后，在771篇帖子中，有72篇(9.3%)的帖子直接要求来源就某一特定主题找到更多事实信息，比如(替代)治疗方案。因此，为了回答RQ2，正如论坛开幕帖子所反映的那样，患者需要满足的主要需求是询问与经验相关的信息。这种需求紧随其后的是加强社区，分享个人经验，并询问事实信息。

不同类型收敛的职位差异

第一个多项逻辑回归模型包含了来自海报类别信息和需求(调整后)的变量R²= 0.30,χ²₁₂= -563.27,P<措施;表3)．在提及大众传播的帖子中，与未提及大众传播的帖子相比，疾病相关信息披露的可能性低89%。相比之下，提到人际交流的帖子，披露疾病相关信息的可能性要高出156% (表3)与不提及媒体的帖子相比。这些结果意味着，与没有趋同迹象的论坛帖子相比，在提到人际传播的论坛帖子中披露疾病相关信息的几率更高，而在提到大众传播的论坛帖子中披露疾病相关信息的几率更低。

当考虑到发布者打开论坛帖子的需求时，我们发现不同类型的聚合需求存在差异。研究发现，包含大众传播内容的帖子比没有融合需求迹象的帖子更有可能:社区建设、分享经验和询问信息。这意味着，与未接触大众传播或人际传播相比，在大众传播接触后，帖子中包含社区建设分享帖子的需求的可能性要高373%，包含与他人分享经验的需求的可能性要高291%，要求更多信息的可能性要高188%。包含人际交流内容的帖子比不包含任何收敛迹象的帖子有268%的可能性显示需要向其他患者询问他们的经历。

第二项多元逻辑回归模型包含类别动机、海报信息和需求(调整后)变量R²= 0.77,χ²_20.= -185.40,P<措施;表4)．在动机类别中，在涉及人际传播的帖子中，与引用大众传播的帖子相比，信息短缺作为传播努力的报告结果的可能性低81%。此外，在海报信息类别中，与引用大众传播的帖子相比，引用人际传播的帖子披露疾病信息的可能性高2015%。在需求类别中，与引用大众传播的帖子相比，包含人际交流的帖子将社区建设作为帖子需求的可能性低93%。此外，与提及大众传播的帖子相比，提及人际交流的帖子询问其他帖子经历的可能性高出227% (OR 3.27，P= .04点)。

回答RQ3，相对于媒介内收敛，媒介间收敛的帖子不太可能是出于信息匮乏的动机，而更可能包含关于发布者自身状况的信息。此外，与媒介内融合相比，媒介间融合更可能表现出对经验的需求，而不太可能表现出对社区建设的需求。

讨论

主要研究结果

这项研究利用自然主动数据提供了更多关于收敛(发生)的见解。总的来说，媒介内和媒介间的融合导致了帖子包含不同的内容，旨在满足不同的需求。我们发现，在我们的样本中，近三分之一的论坛开幕帖子通过在帖子中引用大众或人际交流，包含了趋同的迹象。对于媒介内融合，最常提到的在线来源，如网站、论坛和在线新闻文章，通常会附有指向该来源的链接。通过这种方式，发帖者似乎满足了他们帮助建立在线社区、发起讨论或分享经验的需求。包含媒介间融合的帖子往往提到与医学专家会诊。与含有媒介内融合的帖子相比，在这些帖子中，用户反映的信息不足较少，更多地披露了自己的情况，并要求其他用户提供更多的体验。

我们的研究结果进一步强调了报告趋同的频率以及这些来源是如何交织在一起的。帖子中提到的主要人际交流来源是一位医学专家。这一结果与之前的研究一致，即医学专家与互联网一起被称为患者最重要的信息来源[19，23，47］．我们发现三分之一的帖子包含了趋同的迹象。使用一种以上介质的患者数量可能更高，原因有二。首先，我们只研究了论坛帖子中出现的特定类型的聚合;然而，根据以往的研究(例如，[35])，我们知道在医疗接触中也会出现趋同的迹象，而且存在不同类型的趋同。例如，在就诊过程中，患者可以讨论会诊前阅读过的论坛，从而进行媒介间融合(在线论坛-医学专家)，或者在会诊期间引用提供第二意见的医学专家，从而进行媒介内融合(即医学专家-医学专家)。

其次，我们只编码了明显的趋同迹象，而之前的研究也表明，患者含蓄地提到了不同的来源[48］．这项研究的一个独特之处在于，尽管以前的研究经常独立地检查这两个来源，但目前的结果显示了这些来源是如何相互依赖的，以及它们在未来可能如何继续合并。例如，最近与医学专家预约的发帖者可能收到了很多信息(聚合)。在人际沟通后，患者经历信息(动机)短缺的可能性较低。然而，患者可能错过了其他患者如何经历这种情况的信息，这促使患者上网，写下他们的情况，并向其他患者询问他们的经历(需要)。根据最优匹配理论[38，患者会主动选择可能满足他们需求的介质。

在支持的背景下，一些患者开始积极参与论坛，寻找只有其他患者才能提供的信息——他们的经历[14，49，50］．我们的研究结果也强调了在相互依存的背景下而不是独立地研究信息源的重要性和附加价值。鉴于不同类型的信息在平台上的可用性不断增加，互联网似乎是一个有前途的场所，以满足在咨询中无法满足的需求。进一步运用最优匹配理论的概念，有人可能会说，如果患者根据他们接触的一种媒介来报告未满足的需求，这应该不是问题，因为另一种媒介可能更能满足这些未满足的需求。然而，医疗专家和患者应该共同努力，确保患者知道可信的信息来源，以满足他们的需求。

根据我们的研究结果，海报似乎需要其他患者提供的信息与医学专家提供的信息相结合。论坛可以用来获得其他患者的经验，而无需医学专家在此过程中充当中介。因此，使用者既可从与医疗专家会诊期间获得的专门知识，也可从其他病人的经验中获益[51］．Eysenbach和同事[50已经强调，提供、接受和阅读同病共病的经验是社会支持社区的主要功能之一。目前的研究显示了患者如何在多种可用资源的更广泛背景下使用健康论坛。

由于网站很容易被分享，并嵌入在线工具(如在线论坛)中，目前的研究发现了许多关于大众传播的参考资料，特别是在线资源。大众传播很可能与社区成员共享，通过所谓的“社区建设”来维持和告知社区。社区建设创造了一种成为社区一部分的感觉，因此对抗孤独的感觉，这反过来可以在情感上支持患者[52］．

局限性和未来研究

我们认为，在自然数据上使用混合方法可能是一个有用的工具，可以应对研究收敛所面临的挑战(即，循环过程，当信任请求的召回数据时，有偏见的数据)。尽管我们成功地利用论坛数据分析了趋同指标，但为了推进未来的研究，必须承认一些缺点。尽管使用未经请求的数据有其优点，但并不是收敛的所有方面都可以研究。首先，我们只能发现明显的趋同迹象。一个安全的假设是，想象收敛也会以隐性的方式发生，比如简单地提出一个问题，而不说明导致这个问题的事件。此外，只有当大众或人际交流导致在论坛上发帖时，才能衡量趋同程度。然而，在网上发布或阅读帖子并回复这些帖子可能会导致其他地方的趋同。仅通过研究某一特定网站上的在线论坛帖子，无法衡量这些类型的收敛。虽然这将导致对收敛性的低估而不是高估，但未来的研究可以解决这些类型的收敛。例如，内容分析(在视频咨询中)可以与调查相结合，以调查患者在交流时的(未满足的)需求，并深入了解患者如何使用交流来源来满足他们的需求。 The online environment would be a logical place to administer these surveys since this environment does not require actual tracking; instead, log data and prompted surveys could minimize intrusion and reliance on recall. Finally, using natural data restricted the possibility to control for differences in personal characteristics of the poster because these variables are not known. Based on previous studies, we know that the way patients use online forums changes over time [53］．我们没有考虑这些个体差异。未来的研究可以从多个论坛信息和简介中收集数据，以提取诊断时间、用户发帖数量和疾病类型等信息，以深入了解这些概念。

应用SML创建包含收敛迹象的帖子的子样本。这种方法的结果是必须手动编码的样本明显更小。如果研究感兴趣的是潜在的沟通概念，如患者的需求或动机，研究人员应该考虑编码大量数据作为SML输入所需的时间和精力，仍然不能保证这些潜在结构可以可靠地预测。在研究的早期阶段，研究人员应该根据每个分类器的阳性案例数和初始SML结果来决定SML在项目中的作用。可靠的分类器可以在早期阶段作为完整数据集的过滤器使用，以创建一个可以手工编码的小子数据集，而不是为了获得所有结构的可靠分类器而对大部分数据进行编码。

目前的研究引入了两种可能的偏见形式。首先，我们的样本包括来自荷兰一个高度信任的癌症网站论坛的帖子。本论坛的用户可能与一般癌症人群不同，因为他们必须具备上网和注册的技能才能使用本论坛。此外，这些患者打开论坛帖子的事实可能表明他们在之前的交流中遇到了问题(例如，在与他们的医疗专家咨询期间，信息短缺或信息冲突)。因此，结果可能不能代表所有癌症患者，发现的需求和动机可能是高估了该人群中未满足的需求。然而，在获得所有用户的知情同意的情况下，完全导出一个平台的所有内容仍然很困难，这也说明了我们研究的独特性。虽然所报告的未满足需求可能是高估了，但这些未满足的需求仍然存在，而且很可能继续存在。因此，学者、医学专家和(癌症)患者协会应该共同努力，使融合尽可能容易，并尝试将替代信息来源纳入医疗轨迹。例如，由医院主办的传单或网站可以为患者提供可靠的来源，也可以为患者提供知名的论坛，患者可以在论坛上交流经验并寻求支持。

第二个可能的偏差可能是在SML过程中产生的。用于创建用于分析的帖子样本的SML算法可能在参考类别中造成了偏差。我们手动创建了没有收敛迹象的参考类别。然而，原始算法有可能根据一些共享内容特征将这些帖子标记为误报。这个过程可能导致这些假阳性和语料库(即数据集)中没有收敛迹象的帖子之间的差异，而这些语料库(即数据集)被排除在分析之外。因此，参考样本可能不能完全代表没有趋同迹象的员额。然而，大多数主要结果来自大众传播和人际传播之间的比较。这两个样本是通过SML和手动检查的组合创建的;因此，上述偏差没有起到作用。为了克服这种可能的偏差，未来的研究可以随机创建一个样本作为参考类别，或者在运行分析之前将通过机器学习创建的参考类别与随机样本进行比较。

结论

综上所述，收敛是一个重要的概念，代表了患者信息寻求行为在人际传播和大众传播之间及其内部的自然流动。了解患者如何使用不同的沟通渠道对于改善医疗保健至关重要，可以为试图满足其需求的患者提供指导。更好地理解人际关系和大众媒体的融合带来积极患者结果的条件(即是否讨论信息以及以何种方式讨论信息)，可能是加强向患者提供信息并进而增加患者福祉的关键。在这样做的过程中，提供者应该积极主动地与患者讨论在线信息寻求，并将患者推荐给最能满足他们需求的正确来源。