原始论文
摘要
背景:人乳头瘤病毒(HPV)疫苗是癌症预防方面的一项重大进步,这一一级预防工具有可能减少和消除HPV相关的癌症;然而,疫苗的总体安全性和有效性,特别是HPV疫苗受到了攻击,特别是通过社交媒体上的错误信息传播。流行的社交媒体平台Instagram是接触健康(错误)信息的一个重要来源;三分之一的美国成年人使用Instagram。
摘要目的:这项分析的目的是描述Instagram上支持和反hpv疫苗网络的特征,并描述反hpv疫苗网络中的错误信息。
方法:从2018年4月至2018年12月,我们使用Netlytic软件收集了公开的英文Instagram帖子,其中包含#HPV、#HPVVaccine或#Gardasil标签(n=16,607)。我们随机选择了10%的样本和内容分析相关帖子(n=580)的文字,图像,社交媒体功能和整体属性(如情感,个人故事)。在反疫苗帖子中,我们将错误信息的元素分为四个维度:1)错误信息理论领域,2)疫苗辩论主题,3)证据基础,4)健康信念。我们对职位的子样本进行了单变量、双变量和网络分析,以量化个别职位在网络中的作用和位置。
结果:与预防疫苗职位(324/580,55.9%)相比,反疫苗职位(256/580,44.1%)更有可能来自个人(64.1%反疫苗vs 25.0%预防疫苗;P<.001),并包含个人叙述(37.1% vs 25.6%;P= .003)。在反疫苗网络中,核心错误信息特征包括提及#Gardasil,声称揭露谎言(即隐瞒),阴谋论,未经证实的声明,以及疫苗损伤的风险。信息/资源帖子集中在虚假信息领域,包括伪造、纳米出版物和疫苗可预防的疾病,而个人叙述帖子集中在不同的虚假信息领域,包括隐瞒、伤害和阴谋论。在我们的完整子样本中,被点赞最多的帖子(6634个赞)是一篇积极的个人叙事帖子,作者是非健康人士;在我们的抗疫苗子样本中,点赞最多的帖子(5604个点赞)是由一位健康人士创建的信息帖子。
结论:识别社交媒体上与HPV疫苗相关的错误信息的特征将为有针对性的干预提供信息(例如,网络意见领袖),并帮助播种针对不同错误的纠正性信息和故事。
doi: 10.2196/21451
关键字
简介
在美国,约有8,000万人(约四分之一)感染人乳头瘤病毒(HPV),每年将出现1,400万例新发病例[
].超过90%的肛门癌和宫颈癌,70%的阴道癌和外阴癌,以及60%的阴茎癌和口咽部癌是由某些HPV株引起的[ ].HPV疫苗是癌症预防方面的一项重大进步,这种一级预防工具有可能减少和消除HPV相关的癌症。2016年,全国HPV疫苗接种圆桌会议将社交媒体确定为加强疫苗信心和提高HPV疫苗接种率的首要重点[
],最近,美国国立卫生研究院强调了其对数字健康行为研究的支持[ ].关于HPV疫苗和社交媒体的研究出现在各种平台上,包括推特[ - , YouTube [ , Facebook [ , Instagram [ , ],以及更广泛的网络媒体[ ].研究表明,社交媒体上的疫苗内容相当大[ , ];然而,接触负面疫苗内容可能导致形成负面意见,并随后分享抗疫苗内容[ ],从而助长并延续社交媒体上的反疫苗内容。人乳头瘤病毒疫苗受到攻击,特别是通过传播错误信息,因为虚假和未经证实的说法试图抹黑疫苗安全和有效性背后的科学[ ].社交媒体是卫生信息的重要资源,同时也是接触卫生错误信息的重要来源[ ].流行的社交媒体平台Instagram是接触健康信息和错误信息的一个重要来源[
];三分之一的美国成年人使用Instagram [ ].30-49岁的成年人中有近50%使用Instagram [ ],对应的是可能有符合HPV疫苗接种年龄的子女(9-14岁)并可能正在社交媒体上寻找信息的父母的关键人口统计。然而,与其他平台相比,对Instagram数据的研究出现得更慢,部分原因是数据访问受限,以及平台文化只向封闭的朋友圈发帖。迄今为止,关于Instagram的与健康相关的研究主要集中在描述图片的内容和主题[ ]和地理空间分析[ ].据我们所知,只有两项研究检查了Instagram上的HPV疫苗[ , ],同时具有支持疫苗和抗疫苗的特征。我们的研究通过描述Instagram上抗hpv疫苗帖子的错误信息领域,以及基于图像和文本特征对帖子特征进行网络分析,扩展了这项工作。尽管社交网络分析已被用于更好地理解Facebook等其他社交媒体平台上的互动, 和推特[ ,很少有研究用它来理解Instagram [ ].虚假信息,特别是通过社交媒体和其他在线平台传播的信息,是对公共卫生和医学的一个重大威胁[
].应对社交媒体上的虚假信息需要积极主动的方法。为了积极主动,我们必须首先了解存在哪些类型的错误信息。然而,制定应对错误信息的策略需要付出更多努力,包括培养对以下问题的理解:哪些类型的信息正在被分享,由谁分享;帖子、话题标签和各种文本/图像特征之间的关系如何反映支持和反hpv疫苗域;以及如何利用这些网络关系来处理错误信息。为了实现这些目标,本研究采用混合方法(定性和定量的社会网络分析)来检验四个研究问题:- 不同的人乳头瘤病毒疫苗情绪,Instagram帖子的特征(如格式、来源和内容)有何不同?
- 在抗hpv疫苗的Instagram帖子中,错误信息的突出方面是什么?
- 支持和反对hpv疫苗的Instagram帖子的网络结构特点是什么?
- 帖子的位置(中心性)和受欢迎度(点赞数)如何因帖子特征和错误信息领域而变化?
方法
研究设计和抽样
2018年4月至2018年12月期间,我们使用Netlytic [
的软件来收集公开的Instagram帖子。我们通过访问Instagram的公共应用程序编程接口来收集数据,满足该公司对公共数据的服务条款,每小时收集最多100个新帖子。如果每小时发布的带有特定标签/关键字的帖子超过100个,则只检索最近的帖子。2018年12月,Instagram关闭了其应用程序编程接口,通过Netlytic收集数据不再可能[ ].因此,本研究的所有数据都是在应用程序编程接口关闭之前收集的。本研究的数据收集方法与之前的Instagram研究相似[ , , ].根据先前关于该主题的社交媒体研究[
- 并努力使相关帖子(即信号)的数量最大化,同时限制不相关帖子(即噪音),我们使用了标签搜索条件“#HPV”、“#HPVVaccine”和“#Gardasil”。这3个标签创建了3个独立的数据集,共126,327个帖子。在删除重复的帖子后,我们创建了一个合并数据集(n=48,921)。在这个合并的数据集中,我们使用谷歌的翻译应用程序编程接口排除了非英语帖子(占样本的三分之二)[ ]创建16,607个帖子的最终样本。我们的样本中没有私人Instagram帖子。所有的研究程序都由德雷塞尔大学的机构审查委员会批准。内容分析
我们从16,607篇帖子中随机选择了1660篇(约占最终样本的10%)来创建用于内容分析的子样本。亚样本中与HPV疫苗无关的帖子(例如,更普遍地关于HPV或另一种疫苗)没有被分析(n=757)。此外,如果我们不能通过数据集(n=298)中的超链接访问图像,则不分析子样本中的帖子。如果该帖子在收集数据后已被删除,或者用户更改了帐户隐私设置,则工作超链接将不可用。我们的内容分析子样本包括605个帖子。帖子的图像、标题文本和整体帖子属性(即来源、上下文/风格和情感)的明显特征使用修改版本的代码本进行编码(参见
)之前在分析hpv相关的Instagram帖子时进行了可靠性测试[ ].基于文献综述,我们将错误信息的元素组织在四个大维度中:1)错误信息理论领域,2)疫苗辩论主题,3)证据基础,4)健康信念。虚假信息理论领域来自于信息操纵理论,由Zhou和Zhang改编和定义[
,包括隐瞒(即企图揭露谎言)、矛盾(即提出问题)、歪曲(即歪曲原始信息)和伪造(即编造信息)。疫苗辩论的主题包括反疫苗社区共享的共同主题和观点,包括疫苗无效、公民自由、替代医学、意识形态和阴谋论[ ].证据基础被定义为作为HPV疫苗断言基础的信息类型,包括纳米出版物(如学术手稿)、疫苗损伤故事和未经证实的声明(即没有科学证据提供)。最后,我们纳入了健康信念模型[ ,包括疫苗相关损伤和疫苗可预防疾病的风险(即严重性和易感性),不接种疫苗的障碍和好处,以及不接种疫苗的自我效能(即行动的暗示,感知的行为控制)。所有错误信息都是独立编码的,并不相互排斥。亚样本的内容分析由研究小组的四名成员完成,他们此前曾分析过Instagram上的HPV疫苗帖子[
].研究小组对多个职位样本进行了分类,并通过反复审查和改进代码本解决了编码差异。该编码方法已广泛应用于社交媒体内容分析[ , ].我们提供了完整的代码本作为补充材料,定义了每个子域( ).为了确定文章标题文本中是否存在关键词,我们在代表与HPV疫苗特征相关的主题的字符串中搜索字符(例如,“癌症”、“CDC”)。我们还搜索了帖子元数据来识别话题标签;提到;meme;如果包含了地点,还包括相关的社交媒体特征。标题文本和社交媒体特征然后检查-à-vis疫苗情绪。
帖子和话题标签的网络分析
我们构建了Instagram帖子与编码HPV疫苗术语和特征之间关系的2模式关联网络。我们构建了两个网络:(a) 580 x 14的“一般”网络,包括580个支持和反对疫苗的帖子和14个提到的术语;(b) 256 x 23的子网络,包括256个反对疫苗的帖子和23个错误信息维度/域/主题和标签。细胞Xij在每个网络的矩形矩阵中,如果帖子提到特定的术语,则取值“1”(在反疫苗网络中,如果帖子与特定的领域/维度/主题相关,则取值“0”),否则取值“0”。我们还捕获了相关的职位特征(“属性”);这包括在帖子中出现文本/图像、社交媒体功能(如链接)和其他整体功能(如帖子情绪、来源和上下文)(包括“一般”和反疫苗网络)。由UCINET/Netdraw生成的这些网络的最终可视化结果[
软件的图论弹簧嵌入算法,见 而且 .我们使用了UCINET软件[
,计算度中心性。度中心性是一个指标,反映单个节点的连接程度或受欢迎程度,以及该节点通过网络传输信息的可能性。度中心性度量每个节点连接到的其他节点的绝对数量。此外,UCINET的核心-外围程序确定了关键内容集群的存在,区分了一般疫苗网络和抗疫苗网络中的“核心”和“外围”特征。核心-外围分析允许检查群体聚集和就共同感兴趣的问题进行交流的程度,以及内容集群如何围绕不同的、松散连接的主题、帖子或问题集进行分组[ ].定量分析
统计分析包括单变量和双变量分析,并在STATA/IC Version 15软件中进行[
].对赞成疫苗和反对疫苗的职位分别和合计进行了简单的描述性统计。在支持和反对疫苗的帖子中,t检验和方差分析(ANOVA)评估了按职位特征的“喜欢”计数的差异。卡方检验评估了赞成和反对疫苗职位之间特征分布的差异。结果
包容与排斥
在我们的子样本中的605个相关和工作岗位中,一小部分(n=25, 4.1%编码岗位)被确定为中性(即既不支持也不反对疫苗),因此被排除在后续分析之外。因此,最终的分析样本包括256个抗疫苗帖子和324个预防疫苗帖子(共580个)。
内容分析
在整个码本开发过程中,使用百分比一致性评估编码器的可靠性(平均一致性=0.87,SD=0.09)。在代码本开发之后,研究成员被随机分配到唯一的帖子样本进行编码,以及额外的共享帖子样本来再次评估编码器之间的可靠性(平均一致性=0.85,SD=0.09),以确保我们的编码过程是严格的和可复制的。对个别编码的一致性从0.67(疫苗相关伤害的易感性)到1.0(不接种疫苗的障碍)不等。
总结了编码帖子的特点和社交媒体的特点,按疫苗情绪分层。以疫苗为主(324/580,55.9%)。个人是最常见的岗位来源类型(245/580,42.2%),其次是卫生非个人(151/580,26.0%),一般非个人(102/580,17.6%)和卫生个人(82/580,14.1%)。与个人叙述(178/580,30.7%)相比,近7 / 10的帖子包含信息或资源(402/580,69.3%)。许多帖子的视觉效果要么只有图片(187/580,32.2%),要么是非信息图的文本和图像的组合(173/580,29.8%)。大多数职位至少包括一人(329/580,56.7%),如符合接种条件的儿童(269/580,46.4%)、保健专业人员(91/580,15.7%)或父母/照料者(30/580,5.2%)。女性被描述的频率是男性的两倍多(女性=134/580,23.1%;男性= 58/580,10.0%)。反疫苗帖子获得的点赞数量明显多于预防疫苗帖子(平均点赞数分别为220.9个和86.3个;P= .003)。与包含信息/资源的帖子相比,包含个人叙事的帖子获得了更多的点赞(分别为217.5点赞vs 114.0点赞);P= .033)。
在支持和反对疫苗职位的特征之间发现了显著的差异
).与提供疫苗的职位相比,提供疫苗的职位更可能来自非健康个体(164/ 256,64.1%提供疫苗的职位vs 81/ 324,25.0%提供疫苗的职位;P<.001),包括个人叙述(95/256,37.1% vs 83/324, 25.6%;P =.003),或显示父母/看护者(21/256,8.2% vs 9/324, 2.8%;P= .003)。反疫苗帖子也更有可能提到另一个Instagram用户(115/256,44.9%反疫苗vs 87/324, 26.9% provaccine;P<.001),包括链接(75/256,29.3% vs 51/324, 15.7%;P<.001),或者是另一篇帖子的转发(79/256,30.9% vs 23/324, 7.1%;P<措施)。与抗疫苗帖子相比,预防疫苗帖子更可能包含位置信息(80/324,24.7% vs 9/ 256,3.5%;P<措施)。最后,疫苗情绪是包含哪些话题标签的一个重要决定因素,反疫苗帖子使用#Gardasil的频率明显高于provvaccine帖子(P<.001)和使用#HPV的provacine帖子(P<.001)和#HPVvaccine (P<.001)比反疫苗职位多。仅给出反疫苗帖子错误信息元素的编码结果和平均like计数(n=256)。隐瞒和失真是最常见的错误信息理论域,分别为135/ 256,52.7%和84/ 256,32.8%。最常见的疫苗辩论主题是阴谋论(144/ 256,56.3%)和疫苗无效(72/ 256,28.1%)。近四分之三的反疫苗帖子提供了未经证实的说法(185/256,72.3%)。大多数帖子强调了疫苗相关损伤的风险:约8 / 10(205/ 256,80.1%)讨论了严重性,约6 / 10(163/ 256,63.7%)讨论了易感性。五分之一的帖子讨论了疫苗可预防疾病的风险,主要是淡化了疫苗可预防疾病的易感性(41/ 256,16.0%)。建立不接种疫苗的自我效能感是帖子的另一个关键组成部分:40.2%(103/256)的帖子提倡对不接种疫苗的行为控制,39.8%(102/256)的帖子提到了具体的行动线索,如疫苗豁免表格的链接。
文章的特点 | 值(N=580), N (%) | 平均点赞数,n (SD) | 普罗维辛(n=324), % | 抗疫苗(n=256), % | P价值 | ||
整篇文章上属性 | |||||||
疫苗的情绪 | N/A一个 | N/A | N/A | ||||
Provaccine | 324 (55.9) | 86.3 (484.6) | |||||
反对疫苗接种的 | 256 (44.1) | 220.9 (591.0) | |||||
中性b | 25 (4.1) | 29.4 (67.8) | |||||
文章来源 | <措施 | ||||||
一般个人 | 245 (42.2) | 132.2 (539.8) | 25 | 64.1 | |||
健康non-individual | 151 (26.0) | 109.2 (464.8) | 41.1 | 7 | |||
一般non-individual | 102 (17.6) | 174.8 (418.5) | 17.6 | 17.6 | |||
健康的个体 | 82 (14.1) | 217.5 (749.9) | 16.4 | 11.3 | |||
发布内容 | 0.003 | ||||||
个人叙述 | 178 (30.7) | 217.5 (673.7) | 25.6 | 37.1 | |||
信息/资源 | 402 (69.3) | 114 (462.7) | 74.4 | 62.9 | |||
图像特征 | |||||||
可视化 | <措施 | ||||||
想像跟 | 187 (32.2) | 135.4 (578.4) | 43.2 | 18.4 | |||
文本+图像:非信息图表 | 173 (29.8) | 181.8 (459.2) | 18.5 | 44.1 | |||
文本 | 74 (12.8) | 207.9 (891.6) | 13 | 12.5 | |||
文字+图像:信息图表 | 62 (10.7) | 75.7 (268.6) | 17.3 | 2.3 | |||
视频 | 58 (10.0) | 93.7 (296.3) | 7.1 | 13.7 | |||
其他 | 26日(4.5) | 86.8 (141.0) | 0.9 | 9 | |||
所示总人数 | 0.393 | ||||||
没有一个 | 251 (43.3) | 136.1 (558.5) | 46.3 | 39.5 | |||
1人 | 199 (34.3) | 184.5 (615.4) | 31.8 | 37.5 | |||
2 - 9人 | 117 (20.2) | 100.7 (330.4) | 19.8 | 20.7 | |||
10 +人 | 13 (2.2) | 143.3 (332.0) | 2.2 | 2.3 | |||
显示符合接种条件的人员 | 0.02 | ||||||
没有一个 | 311 (53.6) | 146.4 (545.4) | 54.9 | 52 | |||
女(s) | 134 (23.1) | 166.2 (671.1) | 20.4 | 26.6 | |||
男性(s) | 58 (10.0) | 172.2 (398.8) | 9 | 11.3 | |||
男女不限 | 47 (8.1) | 108.8 (329.9) | 11.1 | 4.3 | |||
无法确定 | 30 (5.2) | 54.8 (177.3) | 4.6 | 5.9 | |||
其他图像元素 | |||||||
疫苗证明 | 146 (25.2) | 158.7 (472.0) | 22.8 | 28.1 | 0.15 | ||
展示卫生专业人员 | 91 (15.7) | 110.4 (347.7) | 19.4 | 10.9 | 0.005 | ||
父/照顾者所示 | 30 (5.2) | 177.3 (489.6) | 2.8 | 8.2 | 0.003 | ||
标签(s) | |||||||
#人乳头状瘤病毒 | 330 (56.9) | 97.6 (374.9) | 74.1 | 35.2 | <措施 | ||
# HPVVaccine | 271 (46.7) | 133.1 (643.3) | 60.5 | 29.3 | <措施 | ||
#“加德西” | 268 (46.2) | 179.2 (475.9) | 23.2 | 75.4 | <措施 | ||
#HPV + #HPV疫苗 | 121 (20.9) | 90.1 (450.9) | 35.19 | 2.73 | <措施 | ||
#HPV + #Gardasil | 96 (16.6) | 148.4 (379.6) | 11.7 | 22.7 | <措施 | ||
#HPVVaccine + #Gardasil | 37 (6.4) | 97.1 (368.3) | 1.8 | 12.1 | <措施 | ||
#HPV + #HPV疫苗+ #Gardasil | 26日(4.5) | 151.1 (486.3) | 5.6 | 3.1 | 0.16 | ||
社交媒体特征 | |||||||
其他用户提到 | 202 (34.8) | 123.5 (362.3) | 26.9 | 44.9 | <措施 | ||
链接包括 | 126 (21.7) | 142.4 (446.5) | 15.7 | 29.3 | <措施 | ||
帖子是转发的 | 102 (17.6) | 110 (336) | 7.1 | 30.9 | <措施 | ||
位置包括 | 89 (15.3) | 78.6 (312.1) | 24.7 | 3.5 | <措施 |
一个- A:不适用。
b中立职位被排除在后续分析之外。
类别、特点 | n值, | 平均点赞数,n (SD) | 学位中心一个 | |
错误信息域 | ||||
隐藏 | 135 | 238.3 (677.7) | 0.527 | |
失真 | 84 | 167.4 (391.1) | 0.328 | |
矛盾心理 | 73 | 155.1 (391.3) | 0.285 | |
伪造 | 40 | 267.6 (525.0) | 0.156 | |
疫苗辩论主题 | ||||
阴谋论 | 144 | 152.8 (378.7) | 0.563 | |
疫苗无效 | 72 | 254.3 (632.0) | 0.281 | |
公民自由 | 49 | 193 (491.5) | 0.191 | |
替代医学 | 34 | 257 (573.8) | 0.133 | |
意识形态 | 26 | 243 (548.2) | 0.102 | |
证据基础 | ||||
未经证实的说法 | 185 | 156.8 (416.1) | 0.723 | |
疫苗伤害的故事 | 116 | 209.4 (482.4) | 0.453 | |
Nanopublication | 71 | 254.5 (789.6) | 0.277 | |
健康信念 | ||||
疫苗相关损伤的严重程度 | 205 | 214.9 (599.8) | 0.801 | |
疫苗相关损伤的易感性 | 163 | 192.5 (464.8) | 0.637 | |
感知行为控制 | 103 | 306.8 (772.9) | 0.402 | |
行动提示 | 102 | 286.9 (771.1) | 0.398 | |
对疫苗可预防疾病的易感性 | 41 | 253 (594.2) | 0.16 |
一个度中心性——一个指标,表明一个单一特征的联系程度,以及该特征在信息和资源通过网络传输时的可能性;测量值越高,该特征在网络中越常见或频繁出现。抗疫苗网络的平均度中心性为0.336 (SD=0.219)。
网络分析
给出了编码子样本(n=580个帖子)的2模式网络可视化。根据帖子对疫苗的看法,优先使用不同的标签。#Gardasil是抗疫苗网络的核心,而#HPVvaccine和#HPV都是provvaccine网络的核心。包括风险、研究和教育在内的文本都倾向于#Gardasil,是抗疫苗网络的中心,而包括预防和癌症在内的文本都倾向于#HPV,是疫苗接种网络的中心。虽然接种疫苗的帖子更常见,但反疫苗的帖子包含更多带黑边的节点,表明该帖子是个人叙述,而不是信息/资源(用白色边框显示)。帖子节点的大小与收到的点赞数量成比例——在我们的子样本中,点赞最多的帖子(n=6634个点赞)是一个积极的个人叙事帖子,由一个非健康个体创建(位于网络图的左上象限)。
仅呈现反疫苗网络(n=256个帖子)具有错误信息的附加特征。错误信息理论维度的位置各不相同。隐藏位于网络的核心,而扭曲、伪造和矛盾心理则更次要。此外,未经证实的声明和疫苗损伤故事是该网络的核心证据。在健康信念模型构建方面,疫苗损伤风险和不接种疫苗的自我效能感处于抗疫苗网络的核心。最后,利用阴谋论和疫苗无效的帖子处于核心位置,而利用疫苗辩论话题、意识形态、替代医学和公民自由的帖子处于边缘位置。如 在美国,社交媒体功能(用黄色表示),如使用话题标签、链接和提及其他用户也位于网络中心。信息/资源帖子(用白色表示)集中在错误信息领域,包括伪造、纳米出版物和疫苗可预防疾病;而个人叙事帖子(用黑色表示)则集中在不同的错误信息领域,包括隐瞒(即揭露谎言)、伤害和阴谋论。最后,帖子节点的大小与收到的点赞数量成比例——在我们的抗疫苗子样本中,点赞最多的帖子(n=5604个点赞)是由健康个体创建的信息帖子(位于网络图左下象限的白色菱形)。
平均而言,抗疫苗网络的度中心性为0.336 (SD=0.219)。如
职位的程度中心性范围为0.102(意识形态)至0.801(疫苗损伤严重程度)。反疫苗网络中度中心性得分大于0.5的常见错误信息元素包括隐瞒(0.527)、阴谋论(0.563)、未经证实的声明(0.723)、疫苗相关伤害的严重程度(0.801)和疫苗相关伤害的易感性(0.637)。列举了常见错误信息元素的Instagram帖子如下 .讨论
根据人乳头瘤病毒疫苗的情绪发布的Instagram特征
我们的HPV疫苗样本中的大多数Instagram帖子都是provacine,并使用了#HPV和#HPV疫苗的标签。反疫苗帖子平均收到的赞比普罗诺疫苗帖子多,而且更有可能使用#加德西。社交媒体功能的使用也因发帖情绪而异。反疫苗的帖子更有可能提到另一个Instagram用户(即直接交流),而预防疫苗的帖子更有可能包括位置信息——这表明两个群体在如何与他人联系和分享信息方面存在差异。例如,反疫苗帖子包含位置信息的频率明显低于预防疫苗帖子,是否存在地理标记可能是内容创建者透明度和可信度的一个重要标志[
].最后,在我们的样本中,与个人叙事相比,更多的帖子包含信息/资源,后者平均获得了更多的点赞,证明了一个故事的力量和受欢迎程度。这些结果证实并扩展了一项使用更有限数据集的研究的发现[ ].我们对Instagram数据的研究结果支持了在其他与HPV疫苗相关的社交媒体平台上进行的研究。与我们的发现类似,推特的研究也发现,大部分内容都是不可取的。
, ].在YouTube上,支持hpv疫苗的内容严重依赖于信息和证据(与个人故事相比),而反疫苗的内容则侧重于副作用和阴谋论[ ].虽然我们的发现支持之前在其他社交媒体平台上的工作,但它也通过检查错误信息领域扩展了这个知识库。抗人乳头瘤病毒疫苗帖子中的错误信息维度
我们的网络图与反疫苗帖子之间的错误信息有关(
)不仅突出聚集在一起的领域和主题(例如,阴谋、伤害和隐藏vs行为控制、疫苗无效和扭曲),而且还围绕每个集群分组的帖子特征(例如,个人叙述vs信息/资源)。这可以使公共卫生信息更好地与现有内容相匹配。例如,个人叙事帖子可能比信息/资源帖子更适合解决阴谋。在我们的反疫苗样本中,错误信息通过核心元素表现出来,包括使用隐藏策略的帖子、强调阴谋论的帖子、基于未经证实的证据和个人轶事(如伤害)的声明的帖子,以及提高对疫苗相关伤害严重性和易感性认识的帖子。 提供三个示例帖子,举例说明每个核心错误信息元素。在我们的子样本网络中,隐藏性是错误信息理论的核心领域。使用隐藏作为传播错误信息工具的帖子,旨在揭露谎言或揭露之前不为人知的事实。从我们的数据中提供的一个例子表明,一项“新研究”有助于揭示先前关于HPV疫苗试验的“未知事实”。失真虽然不是网络的核心组成部分,但也表现出高度的中心性。而隐藏的帖子是对信息的曝光,扭曲的帖子则是制造虚假的光,呈现一个或多个潜在的真实证据,暗示它们之间的相关性、因果关系或比较。在将接种疫苗和受伤联系起来的受伤故事中,扭曲现象尤为突出。隐藏和扭曲的错误信息领域需要独特的策略来解决因接触这些信息而产生的犹豫、恐惧或怀疑。
阴谋论也是反疫苗网络的核心,包括声称各种行为者(如政府、非营利组织或工业)为了邪恶的原因想要推广HPV疫苗接种的帖子。在疫苗或更广泛的卫生领域,阴谋不是一个新话题,处理这类错误信息的战略可能寻求找出隐藏的议程或具有私利的集团,包括但不限于经济利益。对付阴谋的其他策略可能是找出感觉被疏远的群体,并创造对话的机会[
].虚假信息帖子的第三个核心组成部分是使用未经证实的或轶事证据(如个人经历)来证实虚假信息。例如,声称疫苗会导致自闭症或婴儿猝死综合症(SIDS)的帖子就是未经证实的证据,因为有科学证据支持相反的观点[
].另一方面,许多帖子将伤害作为基于个人或轶事经验的反疫苗情绪的证据。公共卫生专业人员已经开发出更好的工具来处理“基于证据”的错误信息或基于不可靠科学的谎言。然而,讲述一个关于个人经历的反疫苗故事所需的工具或资源可能需要更好地结合情感证据,承认故事所引发的挣扎或情感,并使用这些相同的情感来重定向叙事。医疗专业人员被教导要对病人表现出同理心;公共卫生专业人员可以从中借鉴,建立更多的工具,打击社交媒体上的错误信息。最后,关于健康信念,错误信息帖子侧重于疫苗相关损伤的严重性和易感性。严重性帖子关注有害的副作用,疾病,甚至死亡——更不用说可能的未知的长期影响。另一方面,很容易引起争论的是副作用的共同性和儿童接种疫苗的数量,从而使免疫系统超负荷。最后一种观点对于那些关心与脑膜炎球菌疫苗和百白破疫苗一起常规接种的人乳头瘤病毒疫苗的父母来说可能尤为突出。
限制
我们的研究有值得注意的局限性。首先,我们的样本是使用三个标签创建的,这限制了我们发现的普遍性。我们通过使用三个常见的标签来减轻这种潜在的偏见,这些标签在其他研究中使用过,并已被证明包括支持和反对疫苗的内容[
, ].其次,我们只检查了反疫苗帖子中的错误信息域。虽然接种疫苗的帖子可能包含虚假信息,但我们关注的是反疫苗的帖子。第三,我们不显眼的方法无法测量实际接触岗位或确定接触是否与健康知识、态度或做法有关。此外,Instagram的应用程序编程界面不会生成用户账户名以外的用户信息,因此在我们分析过程中无法获得关注者数量作为衡量潜在曝光率的指标。未来的研究可能会考虑研究关注人数多和关注人数少的用户发布的帖子的差异。第四,我们在分析中包含了平均值而不是中位数。反疫苗帖子的点赞数中位数为27(平均值为220.9),而预防疫苗帖子的点赞数中位数为18(平均值为86.3),这证实了先前的报告,点赞等参与措施是右偏的,因为少数帖子获得了过多的点赞[
],这是社交媒体研究和实践中的典型现象。虽然平均数和中位数类似计数在量级上不同,但它们在方向上没有差异。此外,发帖时间不同,因此积累点赞的时间也不同。然而,由于大多数社交媒体参与发生在帖子发布后的短时间内,因此对我们的研究结果的影响可能是最小的。此外,在我们的分析样本中,like count与给定用户创建的帖子数量(P= .909;结果未显示),提示没有一个用户主导或影响点赞数。此外,我们对帖子进行随机抽样的决定不允许我们检查时间趋势,未来的研究可以考虑按周或其他时间单位分层抽样的方法。最后,我们没有识别机器人活动,也没有试图识别自动化或非人类交互。这种活动可能导致对特定类型内容的人为高参与度,并需要进行额外的调查,以确定由自动化活动导致的错误信息的存在和扩散。尽管存在这些局限性,我们的发现有助于描述Instagram上关于HPV疫苗的错误信息,并为该领域的未来研究提供了基础。结论
社交媒体上的健康错误信息多种多样,利用理性到情感的状态。确定社交媒体上卫生错误信息的特征将有助于制定有针对性的干预措施和有针对性的信息,以传播纠正性信息和故事[
].美国心脏协会的复苏科学研讨会社交媒体活动[ ]使用了一小群复苏科学专业人员在在线社交媒体平台上创建(纠正)内容,导致了终端用户对内容的显著参与。在其他情况下也记录了类似的干预措施[ ].如果公共卫生和医学界想成为社会媒体网络和关于HPV疫苗讨论的中心,它必须理解并考虑类似的策略。通过意见领袖或同伴拓展教育项目,可以识别和分割错误信息特征,并进行有针对性的干预。仅利用传统卫生专家和当局的传播策略无法应对社交媒体上的错误信息。“专家患者”和“专家父母”的兴起,部分原因是他们熟练使用社交媒体网络功能,以及他们的故事的显著性和相关性。解决社交媒体上的错误信息需要多个行业和健康消费者类型的资源开发和热情,包括科技和健康保险公司、医院和医生团体,以及父母和癌症幸存者倡导者。
致谢
PM是第一作者,撰写了手稿,概念化了研究问题,并参与了所有的数据分析和解释。MK领导数据收集,colead数据分析和编写结果。MH和PS协助数据分析和结果。EK领导社交网络数据分析和解读。AL协助撰写稿件、数据分析和概念化研究问题。本研究得到了美国国家癌症研究所(3P30CA056036-18S3和R01-CA229324-01A)的支持。
利益冲突
没有宣布。
用于内容分析的代码本。
PDF档案(adobepdf档案),120kb
典型的反疫苗Instagram帖子带有明确的错误信息元素。
PDF档案(adobepdf档案),1166kb参考文献
- FDC中心。生殖器HPV感染-事实说明。性病概况,互联网,2017。URL:https://www.cdc.gov/std/hpv/stdfact-hpv.htm[2017-01-15]访问
- Reiter PL, Gerend MA, Gilkey MB, Perkins RB, Saslow D, Stokley S,等。推进人乳头瘤病毒疫苗接种:12个优先研究空白。Acad儿2018年3月18日(2S):S14-S16 [免费全文] [CrossRef] [Medline]
- Riley WT, Oh A, Aklin WM, Wolff-Hughes DL。国家卫生研究院支持数字健康行为研究。2019年12月19日;46(2_ppl):12-19。[CrossRef] [Medline]
- 周晓霞,周晓霞,李晓燕。社交媒体上对人乳头瘤病毒疫苗负面意见表达与暴露的相关性研究。J Med Internet Res 2015年6月10日;17(6):e144 [免费全文] [CrossRef] [Medline]
- Massey PM, Leader A, yum - tov E, Budenz A, Fisher K, Klassen AC《应用多种数据收集工具量化人乳头瘤病毒疫苗在推特上的传播》。J Med Internet Res 2016 Dec 05;18(12):e318 [免费全文] [CrossRef] [Medline]
- 苏连安D,阮dq,肯尼迪G,约翰逊M, Coiera E,邓恩AG。使用主题建模和社区检测来描述关于HPV疫苗的Twitter讨论。J Med Internet Res 2016 Aug 29;18(8):e232 [免费全文] [CrossRef] [Medline]
- Dunn AG, Surian D, Leask J, Dey A, Mandl KD, Coiera E.绘制社交媒体上的信息曝光图以解释美国HPV疫苗覆盖率的差异。疫苗2017年5月25日;35(23):3033-3040 [免费全文] [CrossRef] [Medline]
- Ekram S, Debiec K, Pumper M, Moreno M.内容和评论:HPV疫苗和YouTube。中华儿科与青少年妇科学杂志2019年4月32(2):153-157。[CrossRef] [Medline]
- Mohanty S, Leader AE, Gibeau E, Johnson C.使用Facebook接触青少年进行人类乳头瘤病毒(HPV)疫苗接种。疫苗2018年9月25日;36(40):5955-5961。[CrossRef] [Medline]
- 科尔尼MD,塞尔万P,豪尔MK, Leader AE,梅西PM。描述Instagram上的HPV疫苗情绪和内容。2019年12月19日;46(2_ppl):37-48。[CrossRef] [Medline]
- Basch CH, MacLean SA。instagram上HPV相关帖子的内容分析。Hum Vaccin Immunother 2019 1月30日;15(7-8):1476-1478 [免费全文] [CrossRef] [Medline]
- Margolis MA, Brewer NT, Shah PD, Calo WA, Gilkey MB.社交媒体、传统媒体和对话中关于HPV疫苗的故事。Prev Med 2019 1月;118:251-256。[CrossRef] [Medline]
- 周ws, Oh A, Klein WMP。解决社交媒体上有关健康的错误信息。JAMA 2018 12月18日;320(23):2417-2418。[CrossRef] [Medline]
- 王颖,麦基,王晓燕。社交媒体上健康相关虚假信息传播的系统文献综述。社会科学医学2019年11月;240:112552 [免费全文] [CrossRef] [Medline]
- 社交媒体互联网概况。皮尤研究中心2019年。URL:http://www.pewinternet.org/fact-sheet/social-media/[2019-07-01]访问
- 2019年美国社交媒体的使用情况。皮尤研究中心2019年。URL:https://www.pewresearch.org/fact-tank/2019/04/10/share-of-u-s-adults-using-social-media-including-facebook-is-mostly-unchanged-since-2018/[2019-07-01]访问
- Czaplicki L, Kostygina G, Kim Y, Perks SN, Szczypka G, Emery SL,等。在Instagram上发布与juul相关的帖子。2020年11月02日;29(6):612-617。[CrossRef] [Medline]
- Allem J, Chu K, Cruz TB, Unger JB。水烟在Instagram上的推广和使用:#水烟。尼古丁Tob Res 2017年10月01;19(10):1248-1252 [免费全文] [CrossRef] [Medline]
- Tulin M, Pollet TV, Lehmann-Willenbrock N.感知的群体凝聚力与实际的社会结构:一项使用自我中心的Facebook网络的社会网络分析的研究。社会科学研究2018年8月74:161-175。[CrossRef] [Medline]
- 葛鲁兹德,鲍林。通过内容和社会网络分析社交媒体和学习:一种多面方法学方法。学习分析2016年12月19日;3(3):46-71。[CrossRef]
- 桑塔罗莎S,伍德拉夫SJ。#LancerHealth:使用Twitter和Instagram作为校园健康促进倡议的工具。J Public Health Res 2018 Feb 05;7(1):1166 [免费全文] [CrossRef] [Medline]
- Netlytic:自动文本和社交网络分析软件。Netlytic》2018。URL:http://netlytic.org[2018-12-01]访问
- 数据来源:Instagram Internet。Netlytic》2018。URL:https://netlytic.org/home/?page_id=254[2018-12-11]访问
- Allem J, Escobedo P, Chu K, Boley Cruz T, Unger JB。Instagram上的小雪茄和小雪茄图片,标签为#swisher:主题分析。J Med Internet Res 2017 7月14日;19(7):e255 [免费全文] [CrossRef] [Medline]
- Ooms J.谷歌的紧凑型语言检测器3互联网。CLD3 c++库。URL:https://rdrr.io/cran/cld3/[2020-03-01]访问
- 周磊,张东。一个本体支持的错误信息模型:面向数字错误信息库。IEEE反式。系统。,Man, Cybern. A 2007 Sep;37(5):804-813. [CrossRef]
- 互联网上对免疫的六大常见误解。世卫组织2018.URL:https://www.who.int/news-room/q-a-detail/vaccines-and-immunization-myths-and-misconceptions[2019-10-01]访问
- Rosenstock IM。健康信念模式的历史渊源。健康教育专刊1974年12月01;2(4):328-335。[CrossRef]
- Borgatti S, Everett M, Freeman L. Ucinet, windows software for Social Network。哈佛大学文学硕士:分析技术;2002.
- Borgatti SP, Everett MG。核心/外围结构模型。社会网络2000年10月21(4):375-395。[CrossRef]
- StataCorp。Stata统计软件:发布15。德克萨斯州大学城:StataCorp LLC;2017.URL:https://www.stata.com/[2019-10-01]访问
- Wirtz JG, Zimbres TM。将“对话沟通原则”应用于组织网站、博客和社交媒体的研究的系统分析:对理论和实践的影响。公共关系研究杂志2018年4月19日;30(1-2):5-34。[CrossRef]
- Swami V, Barron D, Weis L, Voracek M, Stieger S, Furnham A.阴谋论构想四种度量的析因和收敛效度的检验,并对研究人员提出建议。PLoS One 2017 Feb 23;12(2):e0172617 [免费全文] [CrossRef] [Medline]
- 医学研究所。疫苗的不良影响:证据和因果关系。华盛顿:美国国家科学院出版社;2012.
- 洪聪,陈铮,李聪。“点赞”和“被点赞”:人格特征和人口统计学是如何与Facebook上的“点赞”和“点赞”联系在一起的?计算机在人类行为2017年3月68日:292-299。[CrossRef]
- 瓦伦特太瓦。网络干预措施。科学2012 7月06;337(6090):49-53。[CrossRef] [Medline]
- Leary M, McGovern S, Dainty KN, Doshi AA, Blewer AL, Kurz MC,等。研究使用社交媒体活动来增加美国心脏协会2017年复苏科学研讨会的参与度。: JAHA。2018年4月17日发表于:复苏科学研讨会;2018;新奥尔良,路易斯安那州。[CrossRef]
- 史杰,萨蒙CT。识别意见领袖促进社交媒体器官捐赠:网络研究。J Med Internet Res 2018年1月09;20(1):e7 [免费全文] [CrossRef] [Medline]
缩写
人乳头状瘤病毒:人类乳头状瘤病毒 |
G·埃森巴赫编辑;提交15.06.20;C Basch, JP Allem的同行评议;对作者28.10.20的评论;修订版于03.11.20收到;接受03.11.20;发表03.12.20
版权©Philip M Massey, Matthew D Kearney, Michael K Hauer, Preethi Selvan, Emmanuel Koku, Amy E Leader。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com), 2020年12月3日。
这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布,该协议允许在任何媒体上不受限制地使用、分发和复制,前提是要正确引用最初发表在《医学互联网研究杂志》上的原始作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物链接,以及版权和许可信息。