原始论文
摘要
背景:在全球范围内,COVID-19大流行爆发后,社交媒体流量增加。虽然一些社交媒体平台(如Twitter和Facebook)已经描述了COVID-19内容的传播,但对于此类内容是如何通过WhatsApp (WhatsApp LLC)等私人消息平台传播的知之甚少。
摘要目的:在这项研究中,我们记录了(1)如何使用WhatsApp传输COVID-19内容,(2)基于使用模式的WhatsApp用户特征,以及(3)使用模式如何与COVID-19担忧相关联。
方法:我们使用经验抽样方法跟踪了COVID-19大流行期间WhatsApp的日常使用情况。在一周的时间里,参与者每天报告他们收到、转发或讨论COVID-19内容的程度。最终的数据集包括924个数据点,这些数据来自151名参与者。
结果:在为期一周的监测过程中,大多数参与者(143/ 151,94.7%)报告至少使用过一次与covid -19相关的WhatsApp。当根据使用模式生成分类时,发现大约十分之一的参与者(21/ 151,13.9%)收到并分享了大量转发的COVID-19内容,类似于其他社交媒体平台上发现的超级传播者。最后,那些在私人聊天中谈论COVID-19内容更多的人更有可能在一天中出现与COVID-19相关的想法。
结论:我们的发现提供了一个罕见的窗口来了解私人消息平台上的话语。这些数据可用于在大流行期间为风险沟通战略提供信息。
试验注册:ClinicalTrials.gov NCT04367363;https://clinicaltrials.gov/ct2/show/NCT04367363
doi: 10.2196/34218
关键字
简介
WhatsApp (WhatsApp LLC)是全球最常用的消息应用程序;它在180个国家拥有15亿用户[
].由于其庞大的用户群和近乎即时的消息传输能力,该平台在COVID-19大流行期间发挥了关键的风险沟通作用。WhatsApp已被政府机构和世界卫生组织用于传播COVID-19官方最新消息[
].然而,尽管这展示了该平台覆盖大部分人口的能力,但这一功能也使其成为虚假信息的载体。例如,在大流行开始时,WhatsApp的使用量激增了40% [ ].与此同时,大量的消息转发活动被广泛认为支持错误信息。因此,该平台限制了一条消息可以同时转发的个人数量[ , ].尽管有这些限制,印度的一项调查发现,每两个参与者中就有一个人通过WhatsApp或Facebook收到了COVID-19的错误信息[
].同样,WhatsApp被香港居民认为是与covid -19有关的谣言的首要来源[ ].由于错误信息可能危及公共卫生战略,这些发现强调了进行信息流行病学研究的必要性,这些研究将记录COVID-19内容如何通过WhatsApp传播。然而,迄今为止,大部分信息流行病学研究都集中在内容可公开访问的社交媒体平台(如Twitter和Facebook) [
, ].相比之下,对WhatsApp的研究被证明是难以捉摸的,因为该平台的私密性。它的端到端加密软件确保只有发送方和接收方可以访问通过平台发送的消息。尽管如此,WhatsApp的研究仍是首要任务;除了它在传播与危机有关的错误信息方面的受欢迎程度和作用外[ , ],从公开帖子中获得的见解也不太可能推广到WhatsApp的私人信息[ ].因此,目前还不清楚谁发送了与covid -19有关的信息,谁接收了这些信息,以及这些信息以何种方式发送。为了弥补文献中的这些空白,我们设计了一项研究,以(1)描述COVID-19内容传播的基本率,(2)了解WhatsApp用户,以及(3)检查使用模式的相关性。具体来说,我们使用了体验抽样方法来跟踪一周内日常生活中WhatsApp的使用情况。
, ].我们要求参与者每天报告他们接收、转发或讨论covid -19相关内容的频率。通过这种方法,我们根据参与者的使用模式对他们进行了分类,并研究了WhatsApp使用的日常变化是否预测了与covid -19相关的担忧。方法
招聘
从2020年3月17日至5月7日,参与者通过Facebook和WhatsApp社区群(如住宅群、工作场所群和大学群)上的广告、流行的网络论坛上的帖子以及针对新加坡用户的付费Facebook广告从普通社区招募。所有研究活动都在基于网络的调查平台Qualtrics (Qualtrics International Inc)上进行,参与者在研究完成后获得5新元(3.65美元)的补偿。该研究方案由耶鲁大学-新加坡国立大学学院伦理审查委员会批准(方案记录:2020-CERC-001),并在ClinicalTrials.gov上进行了预注册(试验编号:NCT04367363)。
参与者
参与者是151名成年人,他们符合以下入选标准:(1)21岁或以上,(2)在新加坡居住至少2年,(3)有WhatsApp账户。
措施
在提供知情同意后,参与者完成(1)基线问卷,(2)连续7天每天体验抽样回答,以及(3)最终问卷(
).经验取样
作为数据收集的主要形式,我们使用经验采样方法来捕捉WhatsApp上的COVID-19聊天记录。通过这种方法,我们收集了151名参与者的924个数据点(遵从率:924/ 1057,87.4%)。
在7天的时间里,参与者每天晚上(晚上9:30)通过网络调查报告他们当天的WhatsApp使用情况。参与者指出他们是否转发了与COVID-19有关的邮件(“是”或“否”)。我们专注于将消息转发作为高风险内容的代理指标,因为(1)大型Twitter研究发现,错误信息比真实帖子更有可能被分享。
(2) WhatsApp开发人员此前曾将转发的消息链接到错误信息[ , ].如果参与者转发了COVID-19的内容,那么他们会被问及(1)他们转发了多少条独特的COVID-19消息,以及(2)他们转发了多少个独特的团体和个人。参与者还被问及他们的私人聊天(即他们在WhatsApp上的一对一聊天)。他们在私人聊天中指出COVID-19信息是否被转发给他们(“是”或“否”)。如果是的话,他们会被问及(1)他们收到的独特信息的数量,(2)他们收到的信息来自不同的人的数量。随后,参与者叙述他们是否在谈话中讨论了COVID-19,他们或另一方是否产生了与COVID-19相关的信息(“是”或“否”)。如果是这样,他们被问及有多少独特的聊天。
最后,在群聊中,参与者被问及他们的WhatsApp群中是否至少有一人(不包括他们自己)提到了COVID-19;“是”或“不是”)。这可能是通过其他人转发消息或其他人生成自己的评论发生的。回答是肯定的,随后有人问有多少WhatsApp群组这么做了。
除了WhatsApp的指标外,参与者还报告了他们当天对COVID-19的担忧;他们被问及(1)他们对COVID-19形势的恐惧程度(4分制:1=“一点都不害怕”;4=“非常害怕”)和(2)他们是否一直在考虑COVID-19的情况(5分制:1=“完全不是这样”;5 =“非常真实”)。
基线问卷及最终问卷
为了确定参与者的特征,我们纳入了基线和最终问卷,参与者在问卷中报告了人口统计数据(年龄、性别、宗教、种族、婚姻状况、教育程度、房屋类型、家庭规模、公民身份、出生国和在新加坡的年数),他们在WhatsApp上阅读和发送COVID-19消息的时间(主要是上午、下午、晚上或深夜或全天),以及他们获得COVID-19新闻的来源(例如,印刷报纸、广播、WhatsApp和YouTube)。此外,参与者完成了21项抑郁、焦虑和压力量表(DASS-21) [
来评估他们在大流行期间的心理健康状况。与会者还被问及他们对这一大流行病的反应[ , ],即(1)他们对政府控制新冠病毒在全国范围内传播的信心有多大(1=“完全没有信心;4=“非常有信心”),(2)他们对自己或直系亲属感染COVID-19可能性的看法(1=“完全不可能”;4=“很有可能”),(3)他们对该国局势的恐惧程度(1=“一点也不害怕”;4 =“非常害怕”)。统计分析
首先,我们将数据汇总为百分比计数或SDs平均值,重点关注以下七个WhatsApp使用定量变量(
):参与者转发的COVID-19消息数量,(2)转发消息的群组数量,(3)转发消息的个人数量,(4)转发收到的消息,(5)收到消息的个人数量,(6)涉及COVID-19相关对话的个人聊天数量,以及(7)讨论COVID-19的群聊数量。 显示了这些变量之间的相关性模式。其次,为了了解WhatsApp用户档案,我们进行了潜在档案分析,以根据他们的WhatsApp使用情况(R包mclust[
])。潜在剖面分析是一种基于共同特征定义人群类别的自底向上的统计聚类方法。通过使用连续因变量的所有观察结果,创建了类,使得在每个类中,指标变量在统计上不相关[ ].因此,我们使用这种技术根据参与者对七个WhatsApp使用变量的反应来对他们进行聚类;数值是通过聚合一周内每个变量的报告频率获得的。为了揭示聚类,我们使用高斯混合模型,并使用贝叶斯概率将参与者分配到聚类中。利用贝叶斯信息准则、综合完备似然准则和自举似然检验确定最终聚类数。最后,我们研究了是否可以根据对COVID-19担忧的变化来跟踪WhatsApp聊天的日常变化。我们量化了个人和群聊中的COVID-19聊天,以便这些聊天可以用作预测指标。对于个人聊天,我们对每天和每个参与者的以下变量进行了汇总:(1)转发COVID-19消息的人数,(2)收到转发消息的人数,以及(3)讨论COVID-19的个人对话的人数。对于群聊,我们将以下变量相加:(1)转发了COVID-19消息的组参与者数量,(2)提到了COVID-19消息的组参与者数量。通过从每个分数中减去各个科目和时间点的平均聊天次数(聊天次数:分别为平均2.47和平均1.29),得分以大均值为中心。此外,我们还创建了每个预测器的主题间和主题内版本[
].最后的分析涉及每个结果测量(对COVID-19的恐惧和想法)的线性混合效应模型。固定效果输入如下:时间(居中,0表示一周中间)、每日个人聊天(科目之间)、每日个人聊天(科目内部)、每日群聊(科目之间)、每日群聊(科目内部)。随机截取的数据解释了重复测量产生的相关数据。在所有分析中,1型决策错误率控制在0.05的α。所有统计分析均采用R 3.5.0 (R基础统计计算)和SPSS 25 (IBM公司)进行。
结果
基线参与者特征
如
,女性占68.9%(104/151),平均年龄36.35岁(SD 14.7岁)。参与者主要为亚裔(华人:140/ 151,92.7%),且至少受过中学以上教育(133/ 151,88.1%)。此外,39.7%(60/151)的受访者已婚,而大部分(105/151,69.5%)的家庭成员最少为四人。特征 | 长期服用者(n=21) | 接收用户(n=47) | 话语用户(n=46) | 最小用户(n=37) | 所有参加者(N=151) | ||||||
年龄(年),平均值(SD) | 44.1 (14.5) | 41.0 (15.5) | 29.7 (10.7) | 34.4 (14.5) | 36.35 (14.70) | ||||||
性别,n (%) | |||||||||||
女 | 13 (62) | 34 (72) | 29日(63) | 28 (76) | 104 (69) | ||||||
男性 | 8 (38) | 13 (28) | 17 (37) | 9 (24) | 47 (31) | ||||||
种族, n (%) | |||||||||||
中国人 | 20 (95) | 42 (89) | 42 (91) | 36 (97) | 140 (93) | ||||||
印度 | 0 (0) | 2 (5) | 3 (7) | 0 (0) | 5 (3) | ||||||
马来语 | 0 (0) | 2 (5) | 1 (2) | 0 (0) | 3 (2) | ||||||
其他 | 1 (5) | 1 (1) | 0 (0) | 1 (3) | 3 (2) | ||||||
宗教,n (%) | |||||||||||
基督教(新教) | 8 (38) | 17 (36) | 16 (35) | 13 (35) | 54 (36) | ||||||
没有宗教 | 3 (14) | 14 (30) | 11 (24) | 10 (27) | 38 (25) | ||||||
佛教 | 4 (19) | 9 (19) | 8 (18) | 11 (30) | 32 (21) | ||||||
罗马天主教 | 4 (19) | 4 (9) | 6 (13) | 2 (5) | 16 (11) | ||||||
道教或中国传统信仰 | 1 (5) | 0 (0) | 2 (4) | 1 (3) | 4 (3) | ||||||
伊斯兰教 | 1 (5) | 3 (6) | 1 (2) | 0 (0) | 5 (3) | ||||||
印度教 | 0 (0) | 0 (0) | 2 (4) | 0 (0) | 2 (1) | ||||||
婚姻状况, n (%) | |||||||||||
结婚了 | 13 (62) | 24 (51) | 8 (17) | 15 (41) | 60 (40) | ||||||
单 | 6 (28) | 15 (32) | 25 (55) | 12 (32) | 58 (38) | ||||||
约会 | 1 (5) | 7 (15) | 12 (26) | 9 (24) | 29日(19) | ||||||
丧偶的,分居的或离婚的 | 1 (5) | 1 (2) | 0 (0) | 1 (3) | 3 (2) | ||||||
没有回答 | 0 (0) | 0 (0) | 1 (2) | 0 (0) | 1 (1) | ||||||
教育程度,n (%) | |||||||||||
普通水平 | 1 (5) | 4 (9) | 1 (2) | 6 (16) | 12 (8) | ||||||
专科学校 | 2 (10) | 5 (10) | 9 (19) | 9 (24) | 25 (17) | ||||||
技术教育学院 | 1 (5) | 1 (2) | 1 (2) | 0 (0) | 3 (2) | ||||||
理工学院或文凭 | 2 (10) | 13 (28) | 7 (15) | 4 (11) | 26 (17) | ||||||
大学(本科) | 11 (51) | 21 (45) | 21 (46) | 16 (43) | 69 (46) | ||||||
大学(研究生) | 4 (19) | 1 (2) | 3 (7) | 2 (6) | 10 (7) | ||||||
其他 | 0 (0) | 2 (4) | 3 (7) | 0 (0) | 5 (3) | ||||||
没有回答 | 0 (0) | 0 (0) | 1 (2) | 0 (0) | 1 (1) | ||||||
房屋类型,n (%) | |||||||||||
HDB一个单位(1-2间) | 0 (0) | 0 (0) | 0 (0) | 1 (3) | 1 (1) | ||||||
组屋(3间房) | 0 (0) | 2 (4) | 2 (4) | 2 (5) | 6 (4) | ||||||
组屋(4间) | 2 (10) | 9 (19) | 10 (22) | 10 (27) | 31日(21) | ||||||
组屋(5间房) | 3 (14) | 19 (40) | 14 (31) | 11 (30) | 47 (31) | ||||||
公寓 | 12 (57) | 12 (26) | 11 (24) | 10 (27) | 45 (30) | ||||||
地产 | 4 (19) | 4 (9) | 7 (15) | 2 (5) | 17 (11) | ||||||
没有回答 | 0 (0) | 1 (2) | 2 (4) | 1 (3) | 4 (3) | ||||||
住户人数(人数),n (%) | |||||||||||
1 | 2 (10) | 1 (2) | 3 (7) | 0 (0) | 6 (4) | ||||||
2 | 0 (0) | 5 (11) | 3 (7) | 3 (8) | 11 (7) | ||||||
3. | 7 (33) | 8 (17) | 5 (11) | 8 (22) | 28日(19) | ||||||
4 | 7 (33) | 18 (38) | 21 (45) | 15 (40) | 61 (40) | ||||||
≥5 | 5 (24) | 15 (32) | 13 (28) | 11 (30) | 44 (29) | ||||||
没有回答 | 0 (0) | 0 (0) | 1 (2) | 0 (0) | 1 (1) | ||||||
国籍,n (%) | |||||||||||
新加坡 | 18 (86) | 46 (98) | 42 (91) | 36 (97) | 142 (94) | ||||||
其他 | 3 (14) | 1 (2) | 4 (9) | 1 (3) | 9 (6) | ||||||
出生国家,n (%) | |||||||||||
新加坡 | 17 (81) | 45 (96) | 38 (83) | 33 (89) | 133 (88) | ||||||
其他 | 4 (19) | 2 (4) | 8 (17) | 4 (11) | 18 (12) | ||||||
在新加坡居住的年数,平均值(SD) |
39.67 (15.22) | 39.60 (16.69) | 26.43 (10.83) | 31.65 (14.47) | 33.65 (15.32) | ||||||
21项抑郁、焦虑和压力量表得分,平均值(SD) | |||||||||||
压力 | 9.52 (7.12) | 8.61 (7.08) | 9.56 (10.13) | 10.81 (8.72) | 9.57 (8.47) | ||||||
焦虑 | 4.38 (5.28) | 5.13 (5.44) | 5.33 (6.59) | 5.89 (7.71) | 5.28 (6.36) | ||||||
抑郁症 | 8.10 (6.52) | 7.22 (6.86) | 9.47 (9.73) | 10.76 (9.54) | 8.90 (8.50) | ||||||
大流行相关问题(得分),平均值(SD) | |||||||||||
对COVID-19形势的恐惧 | 2.29 (0.46) | 2.53 (0.65) | 2.22 (0.74) | 2.27 (0.69) | 2.34 (0.67) | ||||||
对政府的信心 | 3.33 (0.58) | 3.23 (0.63) | 3.29 (0.66) | 3.24 (0.72) | 3.27 (0.65) | ||||||
感知感染COVID-19的可能性 | 2.71 (0.64) | 2.74 (0.53) | 2.78 (0.56) | 2.76 (0.60) | 2.75 (0.57) |
一个HDB:住房和发展。
COVID-19 WhatsApp的基本使用率
参与者的自我报告显示,WhatsApp是第二大最常见的COVID-19新闻来源,仅次于新闻网站或应用程序(
).通过1周的经验抽样进行量化,我们发现几乎所有参与者(143/ 151,94.7%;95% CI 90-98%)报告了至少一次与COVID-19相关的WhatsApp使用。也就是说,大约二分之一的参与者(79/151,52.3%;95%置信区间44%-60%)至少转发了一条COVID-19信息(个人或群体),78.1% (118/151;95% CI 71%-84%)在个人聊天中收到至少1条转发消息,66.2% (100/151;95% CI 58%-74%)参与了关于COVID-19的个人聊天,88.1% (133/151;95%置信区间82%-93%)在提到COVID-19的组中。显示参与者参与这些活动的程度。平均而言,参与者(1)收到的消息比他们转发的消息多2.3倍,(2)更有可能将消息转发给个人而不是群体(平均每周5.3条和2.7条)。除了被动参与,参与者还在一周内平均参加了3.8次关于COVID-19的一对一对话;然而,这些交互发生的频率低于群聊中发送或接收转发消息的频率。
基于COVID-19 WhatsApp使用情况的参与者特征
潜在档案分析:生成WhatsApp使用分类
尽管大多数参与者(143/ 151,94.7%)在WhatsApp上接收和分享COVID-19内容,但使用模式存在个体差异(
).相应地,我们进行了潜在配置文件分析,以了解使用模式如何聚集。四聚类解决方案产生了最低的绝对贝叶斯信息判据值(
),其分类如下( ).首先,13.9%(21/151)的参与者是长期用户,他们在每个WhatsApp使用变量上都表现出很高的活跃度。相应地,这组参与者负责接收和传输大量转发的COVID-19信息;他们将信息发送给个人联系人和群组。其次,31.1%(47/151)的参与者是接收用户,他们的特点是收到多个转发的COVID-19信息。虽然这个群体经常在群聊中讨论COVID-19,但他们很少转发他们收到的COVID-19信息。第三组是漫谈用户(46/ 151,30.5%),他们很少接触到转发的COVID-19消息,主要通过个人和群聊接触COVID-19内容。最后,24.5%(37/151)的参与者是最低用户,他们对COVID-19内容的整体参与度很低。了解用户特征
作为探索性分析,我们进行了分类树分析,根据人口统计数据、对COVID-19的担忧、抑郁和焦虑评分(DASS-21)以及参与者使用WhatsApp的时间来预测WhatsApp的用户类型。我们执行递归分区(rpart) -一种机器学习技术,允许同时分析多个变量,并支持预测因素之间复杂非线性关系的建模[
].为了避免过拟合,通过选择交叉验证误差最小的树大小来修剪最终的树,对于我们的数据集,树大小为8。如
在美国,长期使用手机的人更有可能是已婚或离异人士,而且更有可能在一整天或下午发信息。就对COVID-19大流行的反应而言,慢性用户要么(1)对COVID-19局势有极端恐惧(恐惧程度低或高),要么(2)对政府的反应有中度恐惧和低信心(对政府有低或中度信心)。话语使用者更有可能是单身或正在约会,并且(1)对covid -19有极端程度的恐惧(或高或低程度的恐惧),或(2)对基督教或道教信仰有中度恐惧。一组散漫用户和慢性用户一样,已婚或离异,对covid -19有中度的恐惧。然而,根据他们对政府的高信心,他们与慢性用户区别开来(慢性用户对政府的信心较低)。
最后,接收用户和最小用户具有相似的配置文件。如果他们是单身或正在约会,这两组用户往往有中等程度的covid -19相关恐惧,有广泛的宗教背景,并根据他们收到covid -19相关信息的时间来区分(接收用户:早上、晚上和全天;最小使用时间:下午和晚上)。如果他们是已婚或离婚,两组用户倾向于只在一天中的一个时间(早上、晚上或晚上)发送消息,并根据年龄进行区分(接收用户:年龄≥51岁;最小使用者:年龄<51岁)。
描述四种用户配置文件的人口统计特征。WhatsApp的使用与COVID-19担忧有关吗?
最后,我们进行了线性混合效应模型,以检验WhatsApp的使用是否与对COVID-19的担忧有关(
).如 与covid -19相关的日常恐惧和想法波动(恐惧:t249.13=−3.72;P<措施;想法:t297.02=−2.36;P= .02点)。模型和效果 | 估计,β (SE;95%置信区间) | t测验一个(df)或Z | P价值 | |||||
模型1结果:对COVID-19的思考 | ||||||||
固定的影响 | ||||||||
拦截 | 2.18 (0.07;2.05至2.31) | 32.81 (135.68) | <措施 | |||||
时间(居中) | −03(. 01;−。05至0) | −2.36 (297.02) | 02 | |||||
每日个人聊天使用情况(主题之间) | .04点(02;0至0.07) | 2.36 (164.48) | 02 | |||||
每日个人聊天使用情况(主题内) | 0 . 01;−。01至0.02) | 0.42 (17.63) | .68点 | |||||
每日群聊使用情况(科目间) | . 05 (06;−。06至17) | 0.89 (141.17) | .37点 | |||||
每日群聊使用情况(主题内) | 0 (03;−。06至.05) | −0.08 (14.09) | 公布 | |||||
随机效应 | ||||||||
截距(受试者之间) | 56(。08;.42至.75) | 6.89 | <措施 | |||||
剩余(科目内) | .37点(02;.33至.43) | 14.90 | <措施 | |||||
自相关性(学科内部) | .24 (. 05;.14至.33) | 4.97 | <措施 | |||||
模型2结果:对COVID-19的恐惧 | ||||||||
固定的影响 | ||||||||
拦截 | 2.10 (0.06;1.98至2.21) | 36.37 (144.90) | <措施 | |||||
时间(居中) | −03(. 01;−。05 ~−.02) | −3.72 (249.13) | <措施 | |||||
每日个人聊天使用情况(主题之间) | . 01 (. 01;−。02至.04) | 0.85 (155.44) | 点 | |||||
每日个人聊天使用情况(主题内) | . 01 (. 01;−。01至0.02) | 1.22 (24.97) | 。 | |||||
每日群聊使用情况(科目间) | 02 (. 05;−。07至12) | 0.49 (128.59) | .62 | |||||
每日群聊使用情况(主题内) | −03(02;−。06至.01) | −1.42 (28.88) | 。 | |||||
随机效应 | ||||||||
截距(受试者之间) | 无误(06;.34至.58) | 7.47 | <措施 | |||||
剩余(科目内) | . 21 (. 01;.18到.23) | 13.83 | <措施 | |||||
自相关性(学科内部) | 点(. 05;到。16到。35) | 5.16 | <措施 |
一个的t测试是双尾的。
关于COVID-19的想法,在受试者之间的水平上,WhatsApp个人聊天的使用有显著影响(t164.48= 2.36;P=.02),也就是说,在个人聊天中处理大量COVID-19内容的参与者报告了更多关于COVID-19的想法(相对于处理少量COVID-19内容的参与者)。然而,群聊的相应效果不显著(t141.17= 0.89;P= .37点)。在受试者内部层面,个人聊天活动的日常波动和群聊活动的日常波动都不能显著预测对COVID-19的想法(最小值)P= .68点)。
对于与covid -19相关的恐惧,我们发现WhatsApp的任何使用变量都没有显著影响(最小P=。)。对于敏感性分析,我们重复了这两个模型,并使用组成员身份作为一个固定因素来代替个人和组聊天的使用,我们的主要结论没有改变(
).讨论
主要研究结果
持续的大流行引起了人们对社交媒体在公共卫生中的作用的关注。在这种背景下,我们提出了第一个信息流行病学研究,以记录COVID-19内容通过WhatsApp的传播。通过跟踪一周的WhatsApp每日使用情况,我们发现(1)几乎每个参与者都参与了COVID-19聊天;(2)参与者更有可能分享或接收转发的消息,而不是参与有关COVID-19的对话。
我们观察到的转发邮件量引起了关注。在其他社交媒体平台上,转发行为与虚假信息的传播有关。例如,一项对450万条推特帖子的研究发现,虚假信息被分享的可能性比真实信息高出70%;相应地,任何单独的转发都有更高的概率包含虚假新闻而不是真实新闻。
].虽然还没有在WhatsApp上进行类似的研究,但该应用程序的开发人员同样认为转发的消息是一个高风险的错误信息来源。 , ].关于转发的邮件携带虚假信息的程度[
, ],我们的潜在资料分析显示,大约十分之一(21/ 151,13.9%)的参与者是长期用户,他们接收并分享了大量此类消息。值得注意的是,长期用户在一周内平均转发了14条消息,大约是本次研究中所有参与者发送消息数量的5倍。这让人想起了对其他社交媒体平台(如Twitter)的研究,在这些平台上,一小群超级分享者和超级消费者要对大量共享的错误信息负责。 ].鉴于这一群体的潜在影响,需要进一步研究以了解(1)慢性用户的概况,(2)他们转发消息的原因,以及(3)他们的转发活动如何在健康危机期间影响结果。除慢性用户外,我们的研究还发现,约三分之一(47/ 151,31.1%)的参与者接收了大量接触转发的COVID-19内容的用户。接收用户往往年龄较大(这与Facebook上的错误信息研究一致]
),但在其他方面,即在与covid -19相关的恐惧或宗教方面(他们来自不同的宗教背景),都是温和的。虽然这个群体自己没有传播转发的消息,但他们的高曝光率可能会使他们容易受到错误信念的影响。相应地,我们敦促研究人员进行进一步的研究,以了解接收用户使用WhatsApp如何影响健康行为。最后,我们还发现,在私人聊天中讨论COVID-19的WhatsApp用户全天更有可能想到COVID-19。由于类似形式的反刍(包括频繁和持续的思考)与临床抑郁症有关[
],这一发现可能意味着COVID-19喋喋不休是幸福感较差的一个风险因素[ ].因此,未来的研究应探索这种可能性及其潜在的机制。影响
综上所述,我们在WhatsApp消息传输方面的发现对危机期间的公共卫生应对有几点影响。首先,我们对用户档案的分类为有针对性的风险沟通提供了基础。我们的研究结果表明,公共卫生机构可能需要主动联系长期用户和接收用户,他们处理了WhatsApp上转发的大量COVID-19内容。一种可能的干预措施可能是鼓励这些用户订阅WhatsApp官方频道以获取最新消息(例如世界卫生组织的最新消息)[
利用他们已经做好了使用这个平台的准备。追踪WhatsApp聊天记录也可能为检测疾病爆发提供新的机会。数字流行病学这一新兴领域试图通过监测数字数据源(例如,通过谷歌搜索数据和Twitter帖子)来模拟疾病如何传播[
].虽然私人WhatsApp消息的内容难以跟踪,但消息的数量或性质(例如,转发的消息)可能提供可用于支持疾病监测的信息。为此,需要进一步的研究来探索WhatsApp上消息传输动态的预测效用。限制
在报道这些发现时,我们注意到了一些局限性。首先,我们选择了应用最广泛的即时通讯应用whatsapp作为研究对象。目前还不清楚我们的研究结果是否适用于其他即时通讯应用(如Facebook Messenger和Telegram)。
第二,我们的征聘战略受到这一大流行病性质的限制。由于传染病方案和与危机有关的交流数量较多的时间较短[
],我们的数据收集过程受到招募策略(基于网络的抽样)、样本量(151名参与者)和时间框架(每名参与者1周)的限制。我们需要进一步的研究来检验我们的发现是否适用于更广泛的人群。最后,尽管体验抽样方法捕获了参与者在自然环境下使用WhatsApp的情况,但该方法仍然需要自我报告。通过扩展我们的发现,未来的研究将受益于WhatsApp使用的客观指标。
结论
总之,我们首次使用经验抽样方法来捕捉WhatsApp上的COVID-19聊天记录。我们总共追踪了924天的聊天记录,揭示了(1)WhatsApp使用的绝对普遍性,(2)WhatsApp用户的类型学,以及(3)使用模式与对大流行的持续思考之间的联系。这些发现对健康传播和疾病监测具有影响,使该领域更接近于描述WhatsApp的使用特征,并利用这些数据深入了解个人和社会问题。
致谢
本研究由新加坡国立大学可信互联网和社区中心(CTIC-RP-20-09)授予JCJL的资助。第一作者(EYQT)的参与是由授予睡眠和认知中心的中心拨款资助的。
作者的贡献
RREW、KJQH和JWEC参与了研究设计并收集了数据。EYQT和YES对数据进行了分析,并撰写了初稿。JCJL和EMWT构思了这项研究,监督了整个项目,并监督了数据分析和手稿准备。所有作者都对最终版本的手稿提供了反馈。
利益冲突
没有宣布。
七个定量的WhatsApp使用变量的相关矩阵。
DOCX文件,179 KB
潜在剖面分析的模型拟合指标。绝对值越小,模型拟合越好。
DOCX文件,197 KB
模型参数估计(组成员)。对COVID-19的想法(模型1)和对COVID-19的恐惧(模型2)的多层次模型的参数估计是参与者组成员的函数。
DOCX文件,30kb参考文献
- WhatsApp用户从两年前的15亿增长到20亿。TechCrunch。2020年2月12日。URL:http://techcrunch.com/2020/02/12/whatsapp-hits-2-billion-users-up-from-1-5-billion-2-years-ago/[2020-12-01]访问
- 刘江杰,童EMW。whatsapp官方发布的COVID-19新闻曝光与心理症状的关系:横断面调查研究J Med Internet Res 2020年9月25日;22(9):e22142 [免费全文] [CrossRef] [Medline]
- COVID-19晴雨表:消费者态度、媒体习惯和预期。凯度,2020年4月03日。URL:https://www.kantar.com/Inspiration/Coronavirus/COVID-19-Barometer-Consumer-attitudes-media-habits-and-expectations[2020-12-01]访问
- Newton C. WhatsApp对病毒式传播信息的转发设置了新的限制。The Verge, 2020年4月07日。URL:https://www.theverge.com/2020/4/7/21211371/whatsapp-message-forwarding-limits-misinformation-coronavirus-india[2020-12-01]访问
- WhatsApp的新限制将“高转发”消息的病毒式传播率降低了70%。TechCrunch。2020年4月27日URL:http://techcrunch.com/2020/04/27/whatsapps-new-limit-cuts-virality-of-highly-forwarded-messages-by-70/[2020-12-01]访问
- 巴耶JA,巴耶HA。影响WhatsApp上与冠状病毒相关的错误信息影响的人口因素:横断面问卷研究JMIR公共卫生监测2021年1月30日;7(1):e19858 [免费全文] [CrossRef] [Medline]
- 陆婷婷,赵松,翁旭,王志华,吴玉生,何世生,等。暴露于关于COVID-19的健康错误信息和烟草和酒精使用增加:香港的一项基于人群的调查。Tob Control 2021 11月30日(6):696-699。[CrossRef] [Medline]
- 莫文文,吕杰,谢登卡,李志强,李志强,等。Twitter上围绕COVID-19大流行的全球情绪:Twitter趋势分析JMIR公共卫生监测2020年5月22日;6(2):e19447 [免费全文] [CrossRef] [Medline]
- Chen E, Lerman K, Ferrara E.跟踪关于COVID-19大流行的社交媒体话语:开发一个公共冠状病毒推特数据集。JMIR公共卫生监测2020年5月29日;6(2):e19273 [免费全文] [CrossRef] [Medline]
- Gireesh KV, Dineshan K.灾害情况下的社交媒体错误信息:以2018年喀拉拉邦洪水为例。图书科学进展2019;39(2):289-296。[CrossRef]
- Simon T, Goldberg A, Leykin D, Adini B.绑架WhatsApp -三名被绑架青年搜救行动中的谣言。Comput Human behaviour 2016 11月;64:183-190 [免费全文] [CrossRef]
- Lottridge D, Bentley FR.《让我们一起恨:人们如何在信息、社交和公共网络上分享新闻》。2018年4月出席:CHI '18: CHI计算系统中的人为因素会议;2018年4月21-26日;加拿大魁北克蒙特利尔,第1-13页。[CrossRef]
- 陈志强,陈志强。经验抽样方法的有效性和信度。在:Csikszentmihalyi M,编辑。《心流与积极心理学基础》荷兰多德雷赫特:施普林格;2014:35-54。
- 陈晓明,陈晓明,陈晓明。经验抽样方法:日常生活质量的测量。加州千橡市:SAGE出版公司;2007.
- Vosoughi S, Roy D, Aral S.网上真假新闻的传播。科学2018年3月09日;359(6380):1146-1151。[CrossRef] [Medline]
- 消极情绪状态的结构:抑郁焦虑压力量表(DASS)与贝克抑郁焦虑量表的比较。人类行为研究1995年3月33(3):335-343。[CrossRef] [Medline]
- Mesch GS, Schwirian KP。疫苗接种犹豫:对埃博拉爆发的恐惧、信任和暴露预期。太阳神2019 7月18日;5(7):e02016 [免费全文] [CrossRef] [Medline]
- scucca L, Fop M, Murphy TB, Raftery AE。mclust 5:使用高斯有限混合模型的聚类、分类和密度估计。R J 2016 Aug;8(1):289-317 [免费全文] [Medline]
- 韦德TD,克罗斯比RD,吴国强。使用潜在剖面分析来确定成年澳大利亚双胞胎队列中的饮食障碍表型。Arch Gen Psychiatry 2006年12月;63(12):1377-1384。[CrossRef] [Medline]
- 博杰N,劳伦索JP。密集纵向方法:日记与经验抽样研究导论。纽约州纽约:吉尔福德出版社;2013.
- Therneau TM, Atkinson EJ, Mayo基金会。介绍使用RPART例程的递归分区。梅奥诊所,1997年9月3日。URL:https://www.mayo.edu/research/documents/biostat-61pdf/doc-10026699[2021-06-21]访问
- 格林伯格N,约瑟夫K,弗里德兰L,斯维尔汤普森B,雷泽d在2016年美国总统大选期间推特上的假新闻。科学2019年1月25日;363(6425):374-378。[CrossRef] [Medline]
- 猜测A, Nagler J, Tucker J.比你想象的要少:Facebook上假新闻传播的流行程度和预测因素。科学通报2019年1月09日;5(1):eaau4586 [免费全文] [CrossRef] [Medline]
- Moulds ML, Kandris E, Starr S, Wong ACM。非临床样本中反刍、回避与抑郁的关系。行为研究,2007年2月;45(2):251-261。[CrossRef] [Medline]
- Blabst N, Diefenbach S. WhatsApp与幸福感:WhatsApp使用、沟通质量和压力的研究。https://www.scienceopen.com/hosted-document?doi=10.14236/ewic/HCI2017.85;2017.07出席:第31届国际BCS人机交互大会(HCI 2017) (HCI);2017年7月3日至6日;英国的桑德兰。[CrossRef]
- Tarkoma S, Alghnam S, Howell MD.用数字流行病学抗击流行病。EClinicalMedicine 2020 Sep;26:100512 [免费全文] [CrossRef] [Medline]
- Nsoesie EO, Cesare N, Müller M, Ozonoff A. COVID-19错误信息在八个国家传播:指数增长模型研究。J Med Internet Res 2020年12月15日;22(12):e24425 [免费全文] [CrossRef] [Medline]
缩写
DASS-21:21项抑郁,焦虑和压力量表 |
新加坡国立大学:新加坡国立大学 |
编辑:L Westafer, G Eysenbach;提交13.10.21;P Schulz, O Leal Neto同行评议;对作者24.11.21的评论;订正版本收到日期为25.11.21;接受27.11.21;发表23.12.21
版权©Edina YQ Tan, Russell RE Wee, Young Ern Saw, Kylie JQ Heng, Joseph WE Chin, Eddie MW Tong, Jean CJ Liu。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com), 2021年12月23日。
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。