COVID-19疫苗初步推出期间的社交网络操作:推文内容分析

简介

背景与动机

COVID-19在发现的第一年夺去了260万人的生命[1］．为了共同努力减少COVID-19大流行造成的病例和死亡，各国政府和主要卫生组织推动了COVID-19疫苗的开发和快速分发。然而，这一过程在网上遭遇了疫苗耐药性的表达[2］．鉴于网上反疫苗情绪的传播，我们的工作重点是确定支持和反对疫苗社区在推特上传播信息的具体策略。

尽管为每个人接种COVID-19疫苗似乎是预防死亡的一种明显方法，但许多人和团体出于几个不同的原因反对接种疫苗。英国1853年的《疫苗法案》确立了第一个强制疫苗接种制度。该法案面临着反对意见，即政府应实施卫生立法[3.］．在当今时代，社区公开反对政府，并声称他们有权决定什么可以进入他们的身体。一些反对疫苗的支持者担心疫苗的副作用，因为自闭症或其他医学疾病的谣言，他们完全拒绝为自己或孩子接种疫苗[4，5］．

辉瑞- biontech疫苗是美国联邦药物管理局(FDA)批准的首个用于预防COVID-19的疫苗。FDA和欧洲药品管理局(EMA)均批准该疫苗用于紧急情况。2020年，第一批辉瑞疫苗于12月8日在英国分发，12月14日在美国分发。由于急于研制疫苗，许多人认为疫苗测试不足，在没有看到长期研究结果的情况下就拒绝接种疫苗。此外，一些人接受关于疫苗的阴谋论或谣言。例如，其中一种阴谋论是，比尔·盖茨和政府公司为了某种恶意目的，发明了将人口植入微芯片的疫苗。6］．这些都是世界各地“疫苗犹豫”的原因之一[7］．

社交媒体成为新冠疫苗讨论的媒介。推特是政府领导人、公共卫生官员和新闻机构传播相关信息的热门平台。然而，许多用户散布虚假信息或恶意行动，通过开展影响运动来操纵人们的信仰和想法。邦尼维等人[2发现在新冠病毒开始在美国传播后，推特上反对疫苗的声音增加了80%。错误信息不仅限于反疫苗用户，因为一些支持疫苗的用户也分享不可靠的信息[8］．为了遏制疫苗最初接种期间虚假信息在其平台上的传播，推特扩大了其政策，删除了关于COVID-19疫苗的虚假和误导性推文，为可能具有误导性的COVID-19疫苗信息添加标签，并创建了“五次打击系统”来暂停误导性账户[9，10］．

这些网络恶意行为是社会网络安全领域的一个重要方面。社会网络安全是网络空间与人际交往的交汇点。它研究了机智的信息如何影响人类，并将正确的人与正确的内容联系起来。在线社交网络中的主要参与者可以通过影响力操纵来改变用户的信念并影响他们的行为。11］．在我们的研究中，我们试图确定支持和反对疫苗的推特社区中的重要参与者，以及他们用来影响受众对COVID-19疫苗立场的社交网络操作。

这项工作主要集中在批准和首次使用辉瑞疫苗前后的时间段。我们的目标是确定支持疫苗和反疫苗社区对目标受众使用的社交网络操作类型之间是否存在差异。我们描述了一种确定推文中支持疫苗或反疫苗立场的方法，并确定社交网络中的关键人物。我们进一步使用机器人检测和语言线索来分析推文的内容和意义，并评估了两个对立的疫苗社区如何应用社交网络策略来说服他们的目标受众。我们的研究结果显示，支持疫苗的信息是如何集中在刺激读者和解释疫苗问题上的。相反，反疫苗组织更喜欢发表令人沮丧的声明，并使用歪曲疫苗信息的信息。我们还发现，推特收紧对疫苗错误信息的政策，对减少反疫苗社区的规模及其消息的流行程度有显著效果。

相关工作

疫苗姿态检测

识别支持和反对疫苗社区的问题已经引起了一些研究人员的注意，他们试图将计算机科学中的姿态检测技术应用于这项任务。针对这一问题开发的监督机器学习方法包括使用基于谷歌的变压器双向编码器表示(BERT)模型的变压器神经网络[12]到使用经过n-grams训练的卷积神经网络和通过潜狄利克雷分配检测的主题[13］．更传统的社区检测算法也被用于寻找对疫苗持公开立场的群体[14］．我们工作中使用的半监督立场传播技术，其优点是不需要大量手工标记支持和反对疫苗的信息，也被用于识别支持和反对疫苗的群体之间的语言差异[15］．

支持疫苗和反对疫苗的群体

对反对疫苗和支持疫苗的社区进行的各种研究试图确定用于传播与疫苗有关的信息的方法。不同社区根据其在疫苗问题上立场的性质和对其支持程度的不同，可以有不同的信息特点。

2019年，一项调查反疫苗社区内有影响力的主题和行为者的研究得出结论，顶级推特用户依赖于高度互联的社区，这些社区由那些选择在这些社区内具有高接受度的信息的账户领导[16］．这与政府官员发布的标准信息不同，后者倾向于向相同的社区重复相同的信息，限制了信息的传播范围。在Facebook疫苗组集群的分析中，Johnson等人[17]观察到，反疫苗接种群集更经常与未确定的群集纠缠在一起，而支持疫苗接种的群集往往更外围。此外，Schmidt等[14]研究了回音室如何加强群体的意见，以及参与这些群体如何能成为对抗反疫苗信念的有效方式。

因此，过去的研究发现，支持疫苗的信息往往得到寻求减少传染病传播的公共卫生官员和政府的支持，而反对疫苗的社区更小众，追随者较少。然而，尽管支持疫苗的信息往往停留在支持疫苗的社区内，但反疫苗的信息却渗透到反疫苗社区的边界之外。

虽然这些过去的工作分析了疫苗信息传递的主题和目标，但它们没有考虑到在与疫苗有关的信息行动中实施的具体类型的战略。Thelwall等人[18]追踪了推特上传播的一些反疫苗叙事，Boucher等人[19]确定了推特上关于疫苗犹豫的对话中的关键主题。然而，以前的研究并没有审查支持和反疫苗信息的语言、内容和目标的具体选择背后的意图。我们的工作分解了特定类型疫苗信息的战术价值，并分析了这些战术是如何随时间变化的。

社会网络安全:影响活动和机器人

打击网络影响力运动的一个关键进展是社会网络安全领域的发展，这是一门计算社会科学，旨在通过研究行为者在社交媒体平台上实施操纵的方式来保护民主社会的安全。11］．被国家科学院承认为一门新科学[20.]，其主要研究领域是研究信息机动、动机识别和信息扩散，以及评估信息运动和缓解战略的有效性。尽管该领域最广泛地关注政治虚假信息的传播，但最近已扩展到解决医疗虚假信息的问题[11］．

在社会网络安全方面尤其令人担忧的是，社交媒体平台上存在自动账户，因为它们被用来传播在线虚假信息和影响选举[21］．他们还通过传播关于电子烟、饮食和药物等话题的错误信息，操纵公共卫生话语[22］．由于这些机器人对公众舆论的影响，已经进行了几项关于使用机器人传播疫苗信息的研究[23，24］．在COVID-19大流行之前，Broniatowski等人[25]调查了机器人传播反疫苗信息的程度，显示了它们传播疫苗内容的高比率，并将其与俄罗斯喷子的影响进行了比较，后者的信息主要是为了增加网上的不和谐。代尔(26确定机器人是继俄罗斯喷子之后最多产的疫苗相关推特用户。黄和Carley [27他们发现，链接到不太可靠网站的冠状病毒信息的账户更有可能是机器人。吴恩达和Carley [28]还发现机器人比非机器人更容易改变疫苗立场。因此，了解自动账户的行为是疫苗相关在线影响力活动的关键部分。

BEND框架

社会网络安全努力描述网络影响力行动的一个关键组成部分，是努力确定那些试图操纵网络空间对话的人的动机和策略。BEND框架的开发是为了通过提供16类进行在线影响的操作分类，来协助对这一问题进行理论概念化[29］．这些类别分为两种类型:叙事性和网络机动。这些类型进一步分为积极和消极的影响方向。叙事技巧侧重于信息的信息和内容。这些操作会影响正在讨论的内容和讨论的方式。网络演习侧重于网络和社区是如何形成的，以及关键参与者的位置。

BEND框架为分析人员和研究人员提供了一种将在线信息作战中使用的战术概念化的方法。虽然这个框架是针对操纵选举而讨论的[29]，但尚未应用于与疫苗相关的影响力活动。

方法

在这项工作中，我们使用了一种类似于其他社会网络安全研究中的管道的方法[30.］．对于社交-网络操作分析，最终状态是全面了解行为者及其在社交网络上操纵他人的操作。该管道分为3部分:数据准备、关键角色识别和社交网络操作分析(图1)．

‎ 查看此图

数据准备

数据收集

本研究中使用的数据是使用Twitter应用程序编程接口(API)和与COVID-19相关的关键字从Twitter收集的COVID-19推文的子集。使用中所示的疫苗相关术语对数据集进行进一步筛选表1．此外，我们从数据中删除了非英语用户的推文。

我们围绕辉瑞疫苗的推出将数据分为3个时间段:2020年12月1日至7日(推出前一周)，2020年12月8日至10日(在美国和英国推出的一周)，以及2021年1月25日至31日(推出后6周)。这三个时间段分别包括471,962、694,200和662,776个用户和935709、1,511,344和1,368,035条推文。

确定机器人

使用Beskow和Carley的Tier-1 BotHunter算法[31，32]，我们确定了数据集中每个用户都是机器人的概率。BotHunter是一个随机森林回归模型，在标记的Twitter数据集上训练。它是根据对广泛报道的机器人活动事件的法医分析而开发的，例如2017年对大西洋理事会数字法医研究实验室的攻击。这个机器学习模型考虑了网络级的特征(比如关注者和朋友的数量)、用户级的属性(包括屏幕名长度和账户年龄)和推文级的特征(比如时间和内容)。在这项工作中，任何得分在75%或更高的都被标记为机器人，以减少误报的机会，并确保被归类为机器人的账户是真正的机器人(以遗漏一些机器人为代价)[33］．

语言暗示

NetMapper软件[34用来从推文文本中提取语言线索。这些指标有助于识别推文的情绪和作者的情绪状态[11］．这些暗示的例子包括积极和消极词汇的出现频率、代词的类型、表情符号等。这些tweet属性用于识别BEND机动和参与这种机动的参与者。

组织风险分析仪- PRO软件

组织风险分析仪(ORA)-PRO软件[34]是一种动态元网络分析工具，在本研究中广泛使用，以检查和描述关键角色、对话和Twitter数据的整体结构。使用的主要功能包括网络数据可视化工具、立场检测功能、Twitter分析报告以及BEND和社区评估报告。

姿态检测

我们使用姿态检测器[35]内置到ORA-PRO中，将数据集分为支持疫苗和反疫苗社区。这个立场检测器从一组标签开始，用户最初针对某个问题将这些标签标记为支持和反对。姿态检测器使用这些标签来标记使用它们的Twitter帐户的姿态。然后，该算法使用影响传播的概念来标记没有使用任何预先标记的标签的用户的立场。这种通过用户通信网络的传播通过重复两个步骤进行。首先，具有已知立场的用户被用来确定一些尚未被标记的标签的立场。在这一步中，一种立场的用户使用的压倒性的标签将相应地分配给该立场。在第二步中，使用具有已知立场的标签来确定一些未标记用户的立场。绝大多数使用一种立场而不是另一种立场的标签的用户会被贴上这种立场的标签。此外，这两个步骤都允许姿态直接从用户传播到用户。 In both steps, unlabeled users who are predominantly connected to users of the same stance are assigned that stance.

该算法还提供了每个姿态分类的置信水平。在对我们的数据运行姿态检测器后，支持疫苗的用户在每个时间段的平均置信水平约为99%至100%。然而，在推广前、期间和之后，抗疫苗使用者的平均置信水平分别为84%、85%和67%。表2显示每个时间段按立场分类的用户数量，以及这些社区的推文数量。反疫苗用户和推文明显少于支持疫苗的用户和推文。虽然姿态检测器也识别了中性节点，但我们将它们排除在本研究之外。

考察主要参与者和社会网络操作

我们使用ORA-PRO中的报告来深入了解关键参与者、个人推文、BEND操作[36]，以及整个网络。我们运行报告并分析了每个后续立场社区的3个时间段。通过研究整个时间段，我们观察了持相反立场或中立立场的用户之间的互动。然后，通过按立场关注单个社区，我们进行了更细粒度的分析。

ORA-PRO的Twitter报告允许我们识别和分析Twitter数据上的关键代理或演员、标签、推文和其他Twitter属性。关键角色有助于了解谁是最有影响力的实体，以及哪些是最有影响力的对话。我们观察到的第一种关键角色是超级朋友，即经常与他人进行双向交流的用户，例如相互提及或转发。我们研究的第二种类型是超级传播者。这些用户生成的内容经常被分享，促进了信息在网络上的扩散。然后，我们提取了这些关键角色的推文列表和标签，以供进一步检查。

此外，Twitter报告还指出了有价值的推文。在这项研究中，我们特别关注数据集中传播最多的推文。这些推文在转发、回复和引用方面的综合价值最高。这些信息有助于理解社交网络策略叙述和行动。

ORA-PRO软件使用NetMapper的语言线索作为输入，使用BEND和社区评估报告检测推文中的BEND机动。对于传播最广泛的推文，我们使用该报告与手动标记结合使用，以深入了解我们数据集中使用的社交网络操作。

在我们的分析中，我们根据演习的相似性将BEND演习分为6种应用类别之一:发展叙事、情感影响、反击叙事、影响领导者、创建或发展团队，或解散或减少团队(表3)．这些表示作为多个BEND操作的结果而发生的宏观级别操作。随着时间的推移，我们观察了这些组合，以确定一致的努力来影响目标受众的立场。我们标记了每个时间段内每个立场社区传播最多的100条推文的叙述和行动，并将它们分组到这些应用类别中。

结果

主要参与者概述

关键影响因素:超级朋友和超级传播者

我们使用ORA-PRO计算了每个时间段的3个数据集的超级朋友和超级传播者，并确定了属于这些类别的实体类型。

在这3组数据中，排名前10的超级朋友主要是支持疫苗的，尽管演员类型有所不同。在这款应用推出之前，排名前十的超级好友都是未经认证的推特账号和相对低调的用户。ORA将所有推文归类为支持疫苗，其中3条，我们认为是放大机器人[37］．在首次发布期间，前10名用户中包括几名反疫苗用户和一名中立用户。在这段时间出现的3个机器人中，有2个新闻机器人和前一段时间出现的一个支持疫苗的机器人一起出现。6周后，来自卫生和政府组织的一些更知名的用户以超级朋友的身份出现。其中包括世界卫生组织、印度卫生部和印度COVID官方应对账户。

除了一个例子外，前10名超级传播者在3个数据集中要么被归类为支持疫苗，要么被归类为中性。在推出之前和推出期间的所有用户都是知名的经过认证的Twitter账户。在这两个时期，超级传播者主要是卫生组织、疫苗制造商、新闻机构和高级政府领导人。在推出后，被识别为超级传播者的账户类型发生了变化。虽然仍有一些新闻机构和与健康相关的账户在名单上，但用户更多是社区领袖或具有广泛影响力的专业人士，如演员或记者。

机器人有影响力的人

BotHunter的结果显示，抗疫苗制剂中机器人的比例高于亲疫苗制剂(图2)．虽然反疫苗机器人随着时间的推移而减少，但机器人的数量仍然相对高于同期支持疫苗机器人的总百分比。

‎ 查看此图

我们计算了前100名超级传播者和超级好友中的机器人数量(图3)．超级好友的高比例表明用户正在与机器人互动，并进行双向交流。超级传播者表明，机器人正在通过网络有效地传播推文。这些机器人成功地与推特上的用户建立了联系，这使得他们容易受到这些机器人发布的信息或虚假信息的影响。此外，数据显示，在推出后，反疫苗影响者的数量明显下降。例如，超级传播者从前两个阶段的15和16个机器人减少到推出后的4个机器人。这种差异可能是推特2020年12月中旬颁布的反对反疫苗虚假信息政策的结果[9］．

‎ 查看此图

BEND-Narrative演习

使用ORA-PRO，我们确定了每个立场和时期传播最多的消息。然后，我们确定并评估叙述是如何表现为说服他人的策略的。本节提供了在每个社区中观察到的叙事BEND操作的累积。

支持疫苗的社区——叙事手法

在疫苗推出之前，支持疫苗的社区有不同的信息。很多都是激发信息，被定义为引发积极情绪的信息，如喜悦或兴奋。用户在推特上发布了关于疫苗获批的积极消息，然后鼓励其他人在疫苗上市后接种。与此同时，许多用户还试图通过微博迫使其他人遏制与covid -19相关的疾病和死亡人数的增长沮丧回旋余地。这是一种引发悲伤或愤怒等负面情绪的信息，警告用户不接种疫苗的后果。卫生官员和组织使用了这种策略，解释，即利用细节和相关事实就某一主题进行教育，为疫苗背后的科学提供信息，并建立对其使用的信心。为了反驳疫苗神话，用户使用驳回策略，用来淡化反疫苗信息的策略，要么是无关紧要的，无关紧要的，要么是愚蠢的。许多用户也驳回了许多担忧源于疫苗的快速发展。这些动作之后通常会有解释试图用科学证据或详细的理由来揭穿这些神话的手法。最后，用户会增强他们支持疫苗的想法或在知名人士或有趣的内容的支持下鼓励他们的观点。例如，许多人在推特上引用了3位美国前总统自愿接种疫苗的文章，以提高对疫苗的信任。

在推出期间，支持疫苗的社区继续发布与前一周类似的消息。许多用户表示兴奋关于第一个接受辉瑞疫苗的人，一位来自英国的90岁妇女领导了疫苗的推广。其他类型的乐观激发这些信息包括来自批准和购买疫苗的各国用户以及许多国家用户的信息兴奋在分发过程中看到载有疫苗的物流车辆。此外，疫苗支持者也增加了他们的解释通过强调第一剂疫苗后的有效性，并在开发过程中以疫苗试验的图表和结果支持总体叙述，来传达疫苗如何发挥作用的信息。此外，医疗专业人员作出了努力参与向那些犹豫不决的观众灌输对疫苗的信心，并鼓励他们接种疫苗。

在推出之后，消息继续解释为疫苗的开发、安全性和有效性开展科学支持的研究，以建立对其使用的信任，同时打击反疫苗的神话和叙述。在此期间，支持接种疫苗的用户表现一般兴奋以及对疫苗如何使他们自己、他们的家庭和他们的社区受益的乐观态度。有一般的激发关于全球疫苗授权和分发的推文。个体也会传播激发关于终于接种疫苗，预约接种疫苗，或者只是想接种疫苗的信息。许多用户将这些消息与参与通过为接种疫苗的个人树立榜样，并鼓励其他人也接种疫苗，来掌握接种过程的所有权。

在此期间，支持疫苗的社区通过将支持疫苗的叙述与直观地与反疫苗信息相关的标签联系起来，进行了标签劫持。通过在推特上添加#antivax、#antivaxxer和其他类似的与反疫苗相关的标签，支持疫苗的社区大量使用这些标签，以吸引人们关注带有反疫苗关键词的支持疫苗的信息(表4)．在一个案例中，他们使用了它增强支持疫苗的信息，通常是通过将这个标签附加到支持疫苗的标签上解释针对犹豫不决的用户的信息。在另一个案例中，标签劫持将标签绑定到与反疫苗个人行为相关的讽刺信息上。支持接种疫苗的信息扭曲了反疫苗信息会引用或回复，或者以某种方式将他们的叙述与特定的反疫苗事件联系起来。此外，在一些标签的使用中，支持疫苗的用户订婚了反疫苗用户谴责或侮辱他们传播虚假信息或其他反疫苗行为。

反疫苗社区——叙事手法

在疫苗批准和分发之前的一周，用户已经在社交媒体上表达了他们的COVID-19反疫苗观点。最受欢迎的短信类型是情感诉求沮丧关于疫苗副作用的信息反疫苗用户分享了疫苗如何导致女性不孕、破坏免疫系统或导致死亡的信息。这些信息增强其中提到了科学家、医生、前辉瑞公司代表和政治家。在很多这样的信息中，副作用是解释使用貌似合理的论据和伪科学的方法和信息。为了反击支持疫苗的信息，反疫苗的支持者尝试了诸如解雇疫苗的有效性，表明一个人的免疫系统有足够的能力对抗病毒。他们还反击分散操纵，通过使其他话题看起来更重要来误导。例如，前面提到的三位自愿提供疫苗的美国总统试图建立信心。然而，该疫苗的反对者关注的是分散注意力的用总统过去与中国关系的负面政治新闻来吸引观众。这些暗示了总统与病毒最初开始传播的国家之间的负面联系。在另一种说法中，专门针对反堕胎支持者的信息描述了在疫苗开发过程中使用来自堕胎的胎儿细胞。这些开始于沮丧这些信息激怒了反堕胎的支持者，然后得到了支持解释研究不同疫苗在不同阶段如何使用胎儿细胞，这使得一些疫苗比其他疫苗更合乎道德。然后支持者增强通过附上主要宗教组织的支持信息来传达这些信息。

在推广过程中，反疫苗的叙述继续强调疫苗的许多消极方面。尽管如此,许多沮丧关于疫苗副作用的信息主导了反疫苗对话。新解释支持这些的消息沮丧声明包括引用疫苗公布的不良反应清单，并对接种疫苗的好处与严重反应进行成本效益分析。这些都是增强并得到了医学专家和科学家的证实。额外的沮丧在这一早期时期，信息开始流行起来。话题包括疫苗导致HIV假阳性的新闻报道，政府对疫苗过敏反应的警告，声称该疫苗没有根据伊斯兰饮食法获得清真认证，以及参与疫苗试验的人的负面经历。扭曲信息，或改变主要信息的讨论，帮助反疫苗信息对抗许多积极的支持疫苗的叙述，并传播反疫苗阴谋论。他们反驳了关于疫苗结构的科学事实，认为缺乏同行评议的文献支持，传播了经过篡改的多莉·帕顿(Dolly Parton)的图片，声称疫苗导致她患有贝尔氏麻痹，并提出mRNA疫苗含有纳米机器人，可以改变一个人的DNA。此外，在这个社区中，来自医疗和非医疗用户的一般反疫苗信息订婚了在网上表达他们对疫苗的不信任，并建议在不了解长期安全数据的情况下不要接种疫苗。

在推出后，反疫苗用户的减少导致反疫苗信息的传播减少。此时，推特删除了许多反疫苗用户及其信息，因为他们违反了传播虚假或误导性COVID-19疫苗信息的政策。然而，保留下来的信息仍然是主要的沮丧而且扭曲关于接种疫苗造成的不良副作用和死亡的信息。尽管有推特政策，但还是有一些扭曲阴谋论，如疫苗将一个人的身体连接到加密货币和改变DNA，仍然出现在数据集中。此外，用户还在继续参与他们的听众更实际地对一种没有长期影响数据的快速研制的疫苗表示犹豫。

BEND-Network演习

使用这些消息，我们确定了社区参与网络操作的实例。网络操纵通过鼓励用户之间的连接或断开连接来改变网络结构。在Twitter上，一个有效的工具和网络操作的标志是使用提及。然而，这些类型的操作没有它们也可以存在。

支持疫苗的社区有几种方式参与网络演习。最常见的动作是建筑而且提高，分别用于创建组或增加组的大小。支持接种疫苗的社区的主要目标是敦促其他人接种疫苗，前提是支持和接种疫苗的人越多，大流行就会越早结束。与此同时，这些集团进行了反制缩小而且忽视了缩小反疫苗团体的规模或使之边缘化。群体减少最有效的行动之一是使用核机动拆除或表现出被拆除的反疫苗团体的外观。推特在制定针对COVID-19疫苗虚假信息的政策时尝试了这一策略，影响了整个推出后期间的数据集。另一个常见的网络策略是支持，这是一种提高领导者重要性或培养新领导者的行为。支持疫苗的用户表达了对政府官员、医疗领域领导人、卫生组织和疫苗制造商的支持，他们传递了积极的信息，并提到了这些领导人或组织。

反疫苗团体与支持疫苗团体进行了类似的网络演习。他们的目标构建而且提高他们的小组减少了支持疫苗的社区使用缩小而且忽视了．然而，这个团体的领导人并不像它的反对者那样多。他们很少支持包括支持疫苗政策的批评者，如辉瑞公司的前副总裁，政治家，以及出于安全考虑而请愿反对疫苗的科学家。然而，反疫苗用户有大量的领导人选择，他们试图中和或者重要性降低。这些对立的领导人基本上都是支持接种疫苗的人士和组织支持．

随着时间的推移，社交网络操作的应用

来自每个姿态社区的不同叙述和BEND操作与一个或多个应用类别相关联。尽管每个社区使用不同的消息传递内容，但它们使用的技术大致相同。随着时间的推移，这些技术中的许多都被结合使用，以开发更有影响力的影响力活动。

随着时间的推移，支持疫苗的社区一直在他们的消息中使用大多数积极的叙事内容，同时采用一种发展叙事的模式，使用情感影响，并反击反对社区的叙事(图4)．激发在这三个时期中，关于疫苗批准、分发和管理的叙述相结合的信息是传播最多的推文类型。推文的第二大类别是通过基于科学的研究来创建疫苗，以建立对其安全性和有效性的信心。这种叙述也被用作对抗反疫苗叙述的内容，这些叙述往往是假的或伪科学的。此外，我们发现，随着时间的推移，随着反疫苗信息的数量减少，主要的支持疫苗的叙事变得普遍，直接反对反疫苗叙事变得不那么常见。

‎ 查看此图

因为反疫苗团体没有杰出的领袖中和这是支持接种疫苗的群体经常关注的问题支持他们所在社区的领导人，如政府官员、卫生组织和疫苗制造商。支持疫苗的群体也试图通过使用标签劫持来扩大他们的群体。虽然在传播最多的100条推文中很少发生实例，但在整个数据集中仍然发生了标签劫持，如图所示表4．最后，尽管有许多尝试通过不同的叙述来减少反疫苗社区，但Twitter在最后一个时间段之前打击反疫苗虚假信息的政策在网络结构上产生了最明显的变化。其结果是，通常传播攻击性虚假信息以及随后发布大量反疫苗推文的账户减少了。

在这三个时间段内，反疫苗团体还使用了不同的操作和应用组合来动摇他们的受众(图5)．他们主要发展自己的叙事，并使用多种策略来对抗支持疫苗的信息，严重依赖于使用负面的情绪影响沮丧强调副作用、长期影响和阴谋论的信息。反疫苗使用者还试图影响这两个社区领导人的关系。他们的目的是败坏支持疫苗社区的领导人的名声，同时强调他们自己社区内医疗专业人员和科学家的负面信息。在前两个时期，这些主题一直出现。然而，在删除反疫苗账号和信息后，负面副作用类型的信息成为主导叙事。由于信息减少，很难推测在后期可能普遍存在哪些类型的反疫苗行动。

‎ 查看此图

讨论

主要研究结果

这项研究的结果显示了推特上支持疫苗和反疫苗社区的不同特征，以及他们如何操纵叙事和在线网络结构，以说服用户是否接种COVID-19疫苗。两组用户使用了许多相同的方法，但在使用每种操作的程度上有所不同。他们试图构建他们的社区，同时，试图通过适当的操作来减少相反社区的规模，以适应他们的叙述。支持疫苗的人发推文激发而且解释鼓励接种疫苗的信息，而反疫苗的用户则依赖于负面信息沮丧而且扭曲与副作用和死亡相关的信息。支持接种疫苗的人支持他们群体中流行的领导者，反疫苗用户针对并试图攻击他们中和．此外，平台政策显示了其有效的能力核通过减少在线社区的规模和反疫苗信息的数量来减少反疫苗社区。

在每个被分析的时间段内，大多数顶级超级传播者和超级朋友都是疫苗的支持者。政府领导人、医疗机构和专业人员、疫苗制造商，以及后期的非主流社区领导人成为支持疫苗的领导人，有效地接触到更多的用户，并参与更多的双向对话。此外，机器人在每个社区中都有相当大的存在。我们观察到，在反疫苗社区中，机器人的比例高于支持疫苗的社区，随着时间的推移，在每个社区的前100名关键影响者中，反疫苗社区拥有更多的机器人作为超级传播者和超级朋友。在推特推出疫苗虚假信息政策之前，他们在前100名反疫苗超级好友和超级传播者中分别占到了24%和16%。反疫苗团体在很大程度上利用机器人构建他们的社区和传播他们的故事比支持疫苗的社区，有效地将他们定位为反疫苗用户中的关键影响者。

支持接种疫苗的用户在每个时间段重复了许多相同的操作，随着疫苗的推出出现了不同的叙述。很多机动都是积极的或成长型机动。他们围绕基于科学的事实展开叙述解释疫苗的安全性和有效性以及情感影响叙事兴奋他们向受众宣传每个人接种疫苗的健康和社会效益，在较小程度上，沮丧不接种疫苗会导致致命后果。许多用于发展这些叙述的主题也被用来反击反疫苗信息。很多反对疫苗的讨论围绕着副作用和阴谋论，而支持疫苗的人则用事实来反驳解释这些消息中的错误。这些叙述一直被社区内高度联系的领导者和在Twitter之外保持高度知名度的参与者使用，例如政府领导人、新闻机构和医疗专业人员。支持接种疫苗的人倾向于这样做回来政府官员和卫生组织通过积极的信息来建立对疫苗支持者和疫苗本身的信心。

在每个时间段内，反疫苗群体使用的操作与支持疫苗群体使用的操作相似，但消极或减少类型操作的频率更高。他们制定了有重点的叙述，并反对支持疫苗的信息，以增加犹豫和怀疑。他们最一致的技术是使用沮丧不良副作用、长期影响的不确定性和疫苗死亡的信息。关于疫苗的阴谋论也增加了反疫苗的叙述。用户试图中和通过质疑支持疫苗的领导人和他们的相关信息，而他们支持批评疫苗并鼓励其他人不要接种疫苗的领导人。

最后，作为支持疫苗和反对疫苗活动的主持人，推特处于一个独特的位置，有能力过滤他们平台上的讨论。他们的政策是消除误导和虚假的反疫苗裸露的通过大幅减少反疫苗用户和推特的数量，反疫苗社区在推出时已经增长。该社交媒体网站制定了一项打击虚假信息的政策，结果支持支持疫苗的努力，以减少反疫苗社区和信息的规模。

限制

一个主要的限制是姿态检测将节点分为支持疫苗和反疫苗群体的能力。首先，许多支持疫苗的活动使用中立的标签。其次，反疫苗每个时间段的平均置信水平低于支持疫苗的平均置信水平，推出后的数据仅高达67%，即使经过多次标签标签的迭代。第三，标签锁定使立场选择变得困难，因为一些通常用于支持或反对疫苗信息的标签被用来吸引其他社区成员的注意。因此，需要进一步的研究来改善支持和反疫苗剂和tweet之间的分离。

第二个限制是ORA-PRO检测BEND机动的能力。这需要手动验证数据集中选择的实体。新版本的ORA-PRO继续改进度量标准，以更好地识别随着时间推移发生的一些机动，特别是网络机动。这项研究的结果为改进软件提供了规范和阈值。

最后，由于违反Twitter规则，在最初的数据收集期间存在的许多推文和用户要么被删除，要么被暂停。这使得在Twitter环境中观察带有相关图像和视频的历史推文以及可视化带有回复和提及的推文变得困难。

结论

在本文中，我们分析了围绕最初的COVID-19疫苗管理的支持疫苗和反疫苗社区如何在BEND机动框架下试图说服其他人的立场。BEND演习使我们能够检查每个社区使用的不同技术。我们观察了不同群体中不同类型的关键角色的行为，并分析了他们不同的技术。此外，我们还研究了每个社区中推文的主要概念和信息，以及它们作为这些社交网络操作的程度。这些演习被组合到应用类别中，以在宏观层面上了解如何结合使用这些演习，随着时间的推移，作为一个总体影响运动。

现实世界的事件会影响网上的讨论，随着时间的推移，这些对话的变化反映了信仰的变化。在这种情况下，这两个社区的努力可以引导用户自己接种COVID-19疫苗，也可以不接种，这可能会改变大流行的方向。未来的工作应该着眼于这些信念的变化是如何转化为行为的变化的。此外，尽管许多具有影响力的行动都是由用户与其他用户的互动产生的，但管理社交媒体使用的政策可能会影响社区的规模及其在整个网络中传播自己观点的能力。因此，需要研究定期检测和评估社交网络操作的有效性，并根据特定的叙述进行有针对性的网络结构改变，以了解不同干预的后果，并实施更好的政策，以影响社交媒体上的影响力运动。