原始论文
摘要
背景:污名是一种有害的结构性力量,它会贬低那些拥有不良特征的群体成员。由于污名是由社会创造和加强的——通过面对面和在线社交互动——将新型冠状病毒称为“中国病毒”或“中国病毒”有可能创造和延续污名。
摘要目的:本研究的目的是评估在2020年3月16日美国总统提到“中国病毒”和“中国病毒”一词后,推特上“中国病毒”和“中国病毒”一词的流行度和频率是否有所增加。
方法:使用Sysomos软件(Sysomos, Inc),我们使用“中国病毒”衍生词的关键词列表提取了来自美国的推文。我们比较了3月9日至3月15日(前期)和3月19日至3月25日(后期)发布的国家和州层面的推文。我们使用Stata 16 (StataCorp)进行定量分析,使用Python (Python Software Foundation)绘制州级热图。
结果:前期共识别出16535条“中国病毒”或“中国病毒”推文,后期共识别出177327条推文,在全国层面上增长了近10倍。所有50个州都出现了专门提到“中国病毒”或“中国病毒”而不是冠状病毒病(COVID-19)或冠状病毒的推文数量增加。在前期,平均每1万人发布了0.38条提到“中国病毒”或“中国病毒”的推文,后期发布了4.08条此类污名化推文,也增加了10倍。“中国病毒”推文数量最多的5个州是宾夕法尼亚州(n=5249)、纽约州(n= 11754)、佛罗里达州(n= 13070)、德克萨斯州(n= 14861)和加利福尼亚州(n= 19442)。调整人口规模后,后期“中国病毒”推文流行率最高的5个州是亚利桑那州(5.85)、纽约州(6.04)、佛罗里达州(6.09)、内华达州(7.72)和怀俄明州(8.76)。“中国病毒”推文前后增加最多的5个州是堪萨斯州(n=697/ 58,1202%)、南达科他州(n=185/ 15,1233%)、密西西比州(n=749/ 54,1387%)、新罕布什尔州(n=582/ 41,1420%)和爱达荷州(n=670/ 46,1457%)。
结论:提到“中国病毒”或“中国病毒”的推文数量增加,以及这些推文的内容,表明知识翻译可能正在网上发生,COVID-19的耻辱可能在推特上延续下去。
doi: 10.2196/19301
关键字
简介
污名是一种有害的结构性力量,它贬低那些拥有不良特征的人[
].病耻感是发生在群体之间的社会过程;这个过程可以在现场进行,也可以在网上进行。 - ].无论环境如何,研究始终发现,病耻感与负面的健康结果有关[ , , - ].例如,与艾滋病毒相关的耻辱将艾滋病毒的流行推到了地下,助长了持续的传播[ ],以及其他与疾病相关的污名与消极的健康结果相关,从错过临床就诊到自杀意念[ , , ].有证据表明,病耻感可以内在化,而病耻感内在化会导致对卫生专业人员的不信任,对公共卫生系统的怀疑,以及不愿意披露与传播有关的行为[ , , ].由于冠状病毒疾病(COVID-19)具有传染性,接触者追踪对于评估社区传播至关重要;因此,个人必须信任他们的公共卫生和卫生保健系统,以便他们愿意接受检测,并在被诊断患有covid -19后,报告他们的行踪和活动。因此,制造和延续与COVID-19相关的污名化可能不利于公共卫生工作,因为公共卫生工作需要可能受到污名化的个人参与其卫生系统。2020年3月16日,美国总统在推特上将新型冠状病毒称为“中国病毒”。他在推特上写道:“美国将大力支持这些行业……特别受中国病毒影响的…”在总统提到“中国病毒”后,一场对话出现了,讨论“中国病毒”一词是否带有排外和污名化意味,因为有其他的学名,如冠状病毒或COVID-19。由于社会通过社会互动和公共评论(例如,在Twitter上使用“中国病毒”一词而不是科学术语)创造并延续了污名化,并且污名化被当权者强化(例如,美国总统使用“中国病毒”一词),我们假设“中国病毒”和“中国病毒”这两个短语在Twitter上的频率会增加,并比较了总统引用前后这些短语的流行程度。
方法
推特
Twitter是一个在线社交媒体平台,用户可以在这里发送和接收被称为tweets的短帖子(最多280个字符)。推特目前每天有1.52亿用户,每天发布约5亿条推文[
].数据、微博
我们使用Sysomos软件(Sysomos, Inc)下载了来自美国所有50个州的推文。我们提取了提到“中国病毒”或“中国病毒”但不包含“COVID-19”或“冠状病毒”的推文。提到“中国病毒”的关键词有“中国病毒”、“中国病毒”、“中国病毒”、“#中国病毒19”、“#中国病毒”、“#中国病毒冠状病毒”和“#中国病毒”。我们排除了包含“冠状病毒”、“冠状病毒”、“COVID-19”、“COVID19”、“#COVID2019”和“#corona”等关键词的推文。通过排除同时包含“中国病毒”和“冠状病毒”的推文,我们整理了一个推文样本,这些推文代表了使用“中国病毒”而不是科学替代品的意图,这可能表明故意污名化。我们根据推特用户自我报告的居住状态来估算推文的位置。2020年3月9日至3月15日(前期)发布的推文与2020年3月19日至3月25日(后期)发布的推文进行了比较。原始推文和引用推文(向现有推文添加评论)包括在内,但不包括转发推文(转发现有推文)。我们最后的样本(N=193,862)包含了美国推特用户在调查前后发布的所有专门提到“中国病毒”衍生物的推文。数据提取时间为2020年4月10日。 Ethical approval was provided by the University of Alabama at Birmingham Institutional Review Board (IRB-#300005071).
分析
我们使用Stata 16 (StataCorp)分析我们的Twitter数据,并使用Python软件(Python software Foundation)绘制我们的州级梯度热图。
结果
前期共识别出16535条“中国病毒”或“中国病毒”推文,后期共识别出177327条推文,增加了972.43% (n= 160792 / 16535)。相比之下,在前期和后期提到COVID-19的推文数量保持稳定,约为每期490万条。共有13569条(82.06%)的前期推文和145521条(82.06%)的后期推文与推特用户自我报告的美国状态有关。
是一个热点图,显示了各州引用“中国病毒”或“中国病毒”的推文增加情况。阴影越深,增幅越大。美国所有50个州都出现了专门提到“中国病毒”或“中国病毒”而不是COVID-19或冠状病毒的推文数量增加。在美国,发“中国病毒”后推文数量最多的五个州是宾夕法尼亚州、纽约州、佛罗里达州、德克萨斯州和加利福尼亚州。“中国病毒”推文前后增加最多的5个州是堪萨斯州、南达科他州、密西西比州、新罕布什尔州和爱达荷州。在
,我们展示了美国州级推文中提到“中国病毒”或“中国病毒”的结果。平均而言,在州一级,在前期发现了271条这样的推文,在后期发现了2910条,这表明增加了10倍,与我们在全国一级发现的情况类似。我们还计算了百分比增加和患病率增加。这一百分比增长衡量的是所有与COVID-19相关的推文中只提到“中国病毒”或“中国病毒”的百分比。为了考虑人口规模的变化,使用以下公式计算了美国每个州每万人中“中国病毒”推文的患病率:.各州人口规模来自2019年美国人口普查局的估计[ ].平均而言,州级增幅为997%,最低为661%,最高为1447%。同样,患病率平均增加1015%,最小增加734%,最大增加1456%。在美国各州都发现了很大的差异,“中国病毒”或“中国病毒”的产后流行率在南达科他州最低,怀俄明州最高。“中国病毒”或“中国病毒”后期推文流行率最高的5个州是亚利桑那州、纽约州、佛罗里达州、内华达州和怀俄明州。州 | Preperiod | Postperiod | 从周期前改为周期后 | |||||||||
COVID-19推文,n | “中国病毒”推文,n | 推文百分比一个(%) | 推文的流行程度b | COVID-19推文,n | “中国病毒”推文,n | 推文百分比一个(%) | 推文的流行程度b | 增加的百分比c(%) | 患病率增加d(%) | |||
艾尔 | 40588年 | 153 | 0.38 | 0.31 | 39434年 | 1749 | 4.44 | 3.57 | 1077 | 1043 | ||
正义与发展党 | 9251 | 40 | 0.43 | 0.55 | 9597 | 404 | 4.21 | 5.52 | 874 | 910 | ||
阿兹 | 83019年 | 438 | 0.53 | 0.60 | 89127年 | 4256 | 4.78 | 5.85 | 805 | 872 | ||
基于“增大化现实”技术 | 21810年 | 109 | 0.50 | 0.36 | 22741年 | 910 | 4.00 | 3.02 | 701 | 735 | ||
CA | 696645年 | 1806 | 0.26 | 0.46 | 685596年 | 19442年 | 2.84 | 4.92 | 994 | 977 | ||
有限公司 | 84092年 | 291 | 0.35 | 0.51 | 85014年 | 3218 | 3.79 | 5.59 | 994 | 1006 | ||
CT | 40304年 | 116 | 0.29 | 0.33 | 40531年 | 1253 | 3.09 | 3.51 | 974 | 980 | ||
德 | 9789 | 31 | 0.32 | 0.32 | 10095年 | 304 | 3.01 | 3.12 | 851 | 881 | ||
FL | 270723年 | 1243 | 0.46 | 0.58 | 294652年 | 13070年 | 4.44 | 6.09 | 866 | 951 | ||
遗传算法 | 135543年 | 382 | 0.28 | 0.36 | 136875年 | 4192 | 3.06 | 3.95 | 987 | 997 | ||
嗨 | 15261年 | 53 | 0.35 | 0.37 | 18237年 | 597 | 3.27 | 4.22 | 843 | 1026 | ||
ID | 13810年 | 46 | 0.33 | 0.26 | 14683年 | 716 | 4.88 | 4.01 | 1364 | 1457 | ||
伊尔 | 176425年 | 410 | 0.23 | 0.32 | 169849年 | 4918 | 2.90 | 3.88 | 1146 | 1100 | ||
在 | 58767年 | 192 | 0.33 | 0.29 | 57218年 | 2118 | 3.70 | 3.15 | 1033 | 1003 | ||
IA | 27552年 | 71 | 0.26 | 0.23 | 27917年 | 847 | 3.03 | 2.68 | 1077 | 1093 | ||
KS | 24678年 | 58 | 0.24 | 0.20 | 24694年 | 755 | 0.31 | 2.59 | 1201 | 1202 | ||
肯塔基州 | 45648年 | 179 | 0.39 | 0.40 | 45841年 | 1765 | 3.85 | 3.95 | 882 | 886 | ||
拉 | 51734年 | 151 | 0.29 | 0.32 | 48623年 | 1535 | 3.16 | 3.30 | 982 | 917 | ||
我 | 16948年 | 54 | 0.32 | 0.40 | 17762年 | 520 | 2.93 | 3.87 | 819 | 863 | ||
医学博士 | 75527年 | 189 | 0.25 | 0.31 | 76274年 | 1932 | 2.53 | 3.20 | 912 | 922 | ||
妈 | 138665年 | 295 | 0.21 | 0.43 | 137279年 | 3201 | 2.33 | 4.64 | 996 | 985 | ||
心肌梗死 | 108514年 | 297 | 0.27 | 0.30 | 103934年 | 3623 | 3.49 | 3.63 | 1174 | 1120 | ||
锰 | 63304年 | 192 | 0.30 | 0.34 | 65570年 | 1882 | 2.87 | 3.34 | 846 | 880 | ||
女士 | 19530年 | 54 | 0.28 | 0.18 | 18771年 | 803 | 4.28 | 2.70 | 1447 | 1387 | ||
莫 | 68869年 | 201 | 0.29 | 0.33 | 71951年 | 2317 | 3.22 | 3.78 | 1003 | 1053 | ||
太 | 9365 | 61 | 0.65 | 0.57 | 10503年 | 521 | 4.96 | 4.87 | 662 | 754 | ||
不 | 19791年 | 54 | 0.27 | 0.28 | 18840年 | 670 | 3.56 | 3.46 | 1203 | 1141 | ||
NV | 52996年 | 217 | 0.41 | 0.70 | 53730年 | 2377 | 4.42 | 7.72 | 980 | 995 | ||
NH | 14260年 | 41 | 0.29 | 0.30 | 15096年 | 623 | 4.13 | 4.58 | 1335 | 1420 | ||
新泽西 | 96806年 | 315 | 0.33 | 0.35 | 100334年 | 3823 | 3.81 | 4.30 | 1071 | 1114 | ||
纳米 | 18966年 | 51 | 0.27 | 0.24 | 20220年 | 627 | 3.10 | 2.99 | 1053 | 1129 | ||
纽约 | 487901年 | 1225 | 0.25 | 0.63 | 484515年 | 11754年 | 2.43 | 6.04 | 866 | 860 | ||
数控 | 110832年 | 327 | 0.30 | 0.31 | 115394年 | 3795 | 3.29 | 3.62 | 1015 | 1061 | ||
ND | 5649 | 18 | 0.32 | 0.24 | 6148 | 193 | 3.14 | 2.53 | 885 | 972 | ||
哦 | 145371年 | 366 | 0.25 | 0.31 | 127421年 | 4613 | 3.62 | 3.95 | 1338 | 1160 | ||
好吧 | 33480年 | 137 | 0.41 | 0.35 | 33857年 | 1436 | 4.24 | 3.63 | 937 | 948 | ||
或 | 64817年 | 185 | 0.29 | 0.44 | 65972年 | 1985 | 3.01 | 4.71 | 954 | 973 | ||
巴勒斯坦权力机构 | 159712年 | 485 | 0.30 | 0.38 | 161156年 | 5249 | 3.26 | 4.10 | 973 | 982 | ||
国际扶轮 | 14234年 | 43 | 0.30 | 0.41 | 14219年 | 385 | 2.71 | 3.63 | 796 | 795 | ||
SC | 43104年 | 222 | 0.52 | 0.43 | 46251年 | 2145 | 4.64 | 4.17 | 800 | 866 | ||
SD | 6252 | 15 | 0.24 | 0.17 | 6573 | 200 | 3.04 | 2.26 | 1168 | 1233 | ||
TN | 82478年 | 361 | 0.44 | 0.53 | 82050年 | 3431 | 4.18 | 5.02 | 855 | 850 | ||
TX | 378047年 | 1442 | 0.38 | 0.50 | 369006年 | 14861年 | 4.03 | 5.13 | 956 | 931 | ||
UT | 30422年 | 81 | 0.27 | 0.25 | 28464年 | 1004 | 3.53 | 3.13 | 1225 | 1140 | ||
VT | 8625 | 18 | 0.21 | 0.29 | 9527 | 226 | 2.37 | 3.62 | 1037 | 1156 | ||
弗吉尼亚州 | 97602年 | 301 | 0.31 | 0.35 | 104176年 | 3351 | 3.22 | 3.93 | 943 | 1013 | ||
佤邦 | 123025年 | 331 | 0.27 | 0.43 | 116656年 | 3316 | 2.84 | 4.35 | 957 | 902 | ||
西弗吉尼亚州 | 15523年 | 47 | 0.30 | 0.26 | 15698年 | 509 | 3.24 | 2.84 | 971 | 983 | ||
WI | 51670年 | 130 | 0.25 | 0.22 | 52315 | 1593 | 3.05 | 2.74 | 1110 | 1125 | ||
王寅 | 6185 | 45 | 0.73 | 0.78 | 6875 | 507 | 7.37 | 8.76 | 914 | 1027 | ||
的意思是 | 87482年 | 271 | 0.33 | 0.38 | 87545年 | 2910 | 3.57 | 4.08 | 997 | 1015 |
一个所有与COVID-19相关的推文中只提到“中国病毒”或“中国病毒”的百分比。
b“中国病毒”推文在每万人中的流行率是用以下公式计算的:.
c增加百分比计算如下:.
d患病率增加计算如下:.
讨论
主要结果
通过比较2020年3月16日总统引用之前和之后推特上“中国病毒”和“中国病毒”这两个词的使用,我们发现在国家和州层面上,这些推文(百分比和患病率)的使用显著增加。以下是“中国病毒”或“中国病毒”推文的例子:
- 不是鹦鹉学舌MSM(主流媒体)的叙事。这是#WuFlu #中国冠状病毒#中国病毒”
- “# ChinaVirus # ChinaLiesPeopleDie”
限制
大流行目前正在进行中,因此推特数据——无论是数量(定量)还是内容(定性)——正在迅速变化。我们无法在这份简短报告中筛选自动生成的推文(机器人)[
, ].与Twitter账户相关的地理位置是自我报告的;因此,一些Twitter用户可能在没有更新状态位置的情况下移动了,或者可能报告了错误的状态位置。与之前工作的比较
越来越多的学术文献利用推特数据来评估人口健康和公众情绪的趋势[
- ].Chew和Eysenbach [ ]在H1N1爆发期间,利用Twitter数据进行了一项开创性的知识翻译研究;他们发现,使用“H1N1”的推文比例随着时间的推移而增加,与“猪流感”的相对使用相比,这表明媒体在术语上的选择(从使用“猪流感”到使用“H1N1”)影响了公众的接受。此外,Logie和Turan最近发表的一篇文章[ ]讲述了污名化如何影响COVID-19公共卫生应对。这份简短的报告是根据先前的研究结果编写的。未来的研究
未来的研究可以评估和证明污名化机制在网上起作用,验证Twitter和社交媒体数据是否可以为流行病监测和卫生传播提供信息,检查Twitter和社交媒体数据在为公共卫生工作和社会科学研究提供信息方面的可靠程度,并探索Twitter用户如何看待COVID-19和COVID-19公共卫生应对措施(如检测、与护理的联系)。
此外,尽管越来越多的研究使用推文来检查新型冠状病毒的各个方面[
- ,据我们所知,没有研究在定义样本时包含一组全面的搜索词,其中可能包括“ncov”、“covid”、“sars-cov”和“rona”等短语。如果数据提取不全面,我们就有可能错过新出现的情绪和术语,例如将新型冠状病毒称为“中国病毒”或“中国病毒”,以及与这些趋势相关的社会行为结果。结论
特朗普在推特上提到COVID-19或新型冠状病毒后,引用“中国病毒”或“中国病毒”的推文增多,以及这些推文的内容表明,知识翻译可能正在网上发生,COVID-19的耻辱很可能在推特上延续。一般而言,使用“中国病毒”一词来延续与covid -19相关的污名可能会损害与应对大流行相关的公共卫生努力,特别是会煽动华人和亚裔美国人对公共卫生系统的恐惧和增加不信任。如果这些侮辱性的术语继续作为新型冠状病毒的恶意同义词,可能需要采取补救措施,以恢复边缘社区的信任。
致谢
本出版物中报道的研究得到了阿拉巴马大学伯明翰公共卫生学院的支持(用于RS)和国家卫生研究院国家精神卫生研究所的资助,资助号为1K01MH116737(用于HB)。内容仅为作者的责任,并不一定代表美国国立卫生研究院的官方观点。
作者的贡献
HB提出了这项研究的概念,RS进行了数据收集和分析。两位作者都对手稿的发展和写作做出了贡献。
利益冲突
没有宣布。
参考文献
- Goffman E. Stigma:关于被宠坏的身份管理的注释。新泽西州上马鞍河:普伦蒂斯大厅;1963.
- Budhwani H, De P.在美国医疗保健机构和有色人种的身心健康中感受到的耻辱。卫生公平2019;3(1):73-80 [免费全文] [CrossRef] [Medline]
- 何晓玲,潘伟,泰勒。在线艾滋病论坛上艾滋病检测的耻辱:自我耻辱和未说出来的耻辱。中华心理卫生杂志2017年12月1日;55(12):34-43。[CrossRef] [Medline]
- Karamouzian M, Knight R, Davis WM, Gilbert M, Shoveller J.在线测试环境中与性传播感染测试相关的污名:研究加拿大温哥华青少年的观点。性健康2018;15(1):46。[CrossRef]
- Milin R, Kutcher S, Lewis SP, Walker S, Wei Y, Ferrill N,等。心理健康课程对高中生知识和病耻感的影响:一项随机对照试验美国儿童青少年精神病学杂志2016年5月;55(5):383-391.e1。[CrossRef] [Medline]
- Pachankis JE, Hatzenbuehler ML, Wang K, Burton CL, Crawford FW, Phelan JC,等。耻辱对健康和福祉的负担:隐藏、过程、破坏性、美学、起源和93种耻辱的分类。2018年4月;44(4):451-474 [免费全文] [CrossRef] [Medline]
- Budenz A, Klassen A, Purtle J, Yom Tov E, Yudell M, Massey P.推特上的精神疾病和躁郁症:污名化和社会支持的影响。中华医学杂志2020年4月29日(2):191-199。[CrossRef] [Medline]
- Budhwani H, Hearld KR, Milner AN, Charow R, McGlaughlin EM, Rodriguez-Lauzurique M,等。跨性别女性在多米尼加共和国遭受耻辱、创伤和企图自杀的经历。自杀生命威胁行为2018年12月;48(6):788-796。[CrossRef] [Medline]
- 图兰B, Budhwani H, Fazeli PL, Browning WR, Raper JL, Mugavero MJ,等。污名化如何影响艾滋病毒感染者?内化和预期的艾滋病毒病耻感在感知社区病耻感对健康和心理社会结果的影响中的中介作用。艾滋病行为研究2017年1月;21(1):283-291 [免费全文] [CrossRef] [Medline]
- 帕桑基斯JE, Hatzenbuehler ML, Hickson F, Weatherburn P, Berg RC, Marcus U,等。远离健康。艾滋病2015;29(10):1239 - 1246。[CrossRef]
- 戴浩,狄姆MJ,郝杰。美国推特上电子烟广告的地理差异。国际公共卫生杂志2017年5月;62(4):479-487。[CrossRef] [Medline]
- 美国人口普查局,2019年12月。美国、地区、州和波多黎各常住人口年度估计:2010年4月1日至2019年7月1日(NST-EST2019-01)网址:https://www.census.gov/newsroom/press-kits/2019/national-state-estimates.html[2020-04-22]访问
- Allem J, Ferrara E.消除社交媒体数据偏见的重要性,以更好地理解电子烟相关的态度和行为。J Med Internet Res 2016 Aug 09;18(8):e219。[CrossRef] [Medline]
- 阿利姆J,费拉拉E,乌普SP,克鲁兹TB,昂格JB。利用社交媒体数据监测电子烟:社交机器人、新兴话题和趋势。JMIR公共卫生监测2017年12月20日;3(4):e98。[CrossRef] [Medline]
- Alessa A, Faezipour M.使用推特帖子分类和疾病控制和预防中心历史报告的线性回归进行流感爆发预测:预测框架研究。JMIR公共卫生监测2019年6月25日;5(2):e12383。[CrossRef] [Medline]
- Grajales FJ, Sheps S, Ho K, Novak-Lauscher H, Eysenbach G.社交媒体:在医学和卫生保健中的应用综述和教程。J medical Internet Res 2014 Feb 11;16(2):e13。[CrossRef] [Medline]
- 季曦,春萨,魏志,Geller J.基于推特情感分类的公共健康关注度量。Soc Netw Anal Min 2015;5(1):13 [免费全文] [CrossRef] [Medline]
- 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 11月29日;5(11):e14118。[CrossRef] [Medline]
- Logie CH, Turan JM。我们如何平衡COVID-19公共卫生应对与减轻污名化之间的紧张关系?从艾滋病研究中学习。艾滋病行为2020年4月07日:e。[CrossRef] [Medline]
- Abd-Alrazaq A, Alhuwail D, Househ M, Hamdi M, Shah Z.在COVID-19大流行期间推特用户最关心的问题:信息监测研究。J Med Internet Res 2020年4月21;22(4):e19016。[CrossRef] [Medline]
- 郭志刚,张志刚,张志刚,张志刚,等。冠状病毒病毒式传播:量化推特上COVID-19错误信息的流行。治愈2020年3月13日;12(3):e7255 [免费全文] [CrossRef] [Medline]
- Rosenberg H, Syed S, Rezaie S. Twitter大流行:在COVID-19大流行期间,Twitter在传播医疗信息和错误信息方面的关键作用。CJEM 2020四月06:1-4 [免费全文] [CrossRef] [Medline]
缩写
COVID-19:冠状病毒病 |
G·艾森巴赫(G Eysenbach)编辑;提交12.04.20;E Da Silva, JP Allem同行评审;对作者21.04.20的评论;订正版本收到23.04.20;接受26.04.20;发表06.05.20
版权©Henna Budhwani,孙若燕。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com), 06.05.2020。
这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)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。