肥胖在美国很普遍，是心血管疾病、二型糖尿病的已知危险因素[ 1， 2和癌症。虽然生活方式干预对减肥和预防糖尿病有效[ 3.，他们需要在长达一年的时间里多次就诊，这对许多人来说是一种负担。通过技术提供的生活方式干预，不需要访问，对参与者来说负担较小，并显示出有希望的减肥结果[ 4］．一些基于技术的干预措施使用流行的商业社交媒体平台，如Facebook，以努力与人们见面。 5， 6］．许多社交媒体用户已经在使用这些平台来讨论他们的健康经历[ 7， 8］．社交媒体平台的社区建设功能，例如私人群组[ 9， 10，使他们特别容易接受以群体为基础的生活方式干预。

系统综述和荟萃分析显示支持社交媒体提供的生活方式干预的有效性[ 4， 11];然而，这一领域的研究仍处于起步阶段。参与者参与度，定义为群组中的帖子、对帖子的回复、“喜欢”和民意调查中的投票，似乎是结果的重要预测因素[ 12- 15］．例如，一项研究发现，参与者每10个帖子对应着- 0.5%的体重减轻[ 16］．另一项研究发现，只有某些类型的参与才能预测减肥[ 17］．有趣的是，在社交媒体提供的干预研究中，参与者的参与程度变化很大，从整个干预期间的平均一次到每周11次不等[ 17- 19］．随着时间的推移，这些项目的参与度通常也会下降。 16］．我们对影响参与者参与这些干预的因素的理解是有限的。基于网络的传播文献中的新证据显示了影响参与者参与度的多层因素的重要性，如帖子的特征(例如，帖子的长度和主题以及帖子的受欢迎程度)，响应帖子的对话线索的特征(例如，情感和互惠行为)，以及参与者特征(例如，动机和习惯)[ 14， 20.- 27］．然而，在社交媒体提供的行为干预的背景下，研究很少[ 28］．此外，在每个参与者参与之前，对话线索的特征(即其他人的回复和评论)经常被忽视，这在提供影响每个参与者参与决定的微观上下文数据方面可能是有价值的。

使用自然语言处理(NLP)研究干预者和参与者在干预过程中产生的内容和互动，是增加我们对影响参与者参与基于社交媒体的行为干预因素的理解的一种有前途的方法。直接从基于网络的平台(如Facebook)收集的数据可以在干预项目过程中提供详细的实时行为信息。NLP可以处理大量文本，生成可靠的定性编码[ 29]，可以用来获得各种实时微观层面的见解，这些见解涉及到帖子的特征(例如，主题)和紧随帖子的对话(例如，情绪)，并了解它们如何独立和汇总地影响参与者的参与决策。这对未来干预措施的设计和实施有潜在的影响，以提高参与者的参与度，这可能会导致更有利的减肥结果。

利用一项为期16周的试点可行性随机减肥试验的数据，该试验通过Facebook提供生活方式干预，利用之前基于网络的传播文献确定的影响参与者参与度的多层次因素，我们从参与者和干预者在干预过程中产生的内容中得出各种因素，包括帖子的特征(例如，帖子、时间和主题)，帖子后的对话(例如，情绪和收到回复)，以及参与者以前的参与行为，并评估这些因素在社交媒体提供的生活方式干预的背景下，单独和整体预测参与者参与程度的好坏。

在一项试点可行性随机试验中，我们将80名超重或肥胖的参与者随机分为两组，其中一组远程提供生活方式干预。2019年6月至10月期间，我们通过康涅狄格大学ResearchMatch网站上的网络广告、庭院甩卖或美国37个州的社区Facebook群组招募了对减肥感兴趣的人。入选标准包括BMI在27到45公斤/平方米之间，拥有智能手机，活跃的Facebook用户(即，每周发表评论或帖子超过一次)，年龄在18到65岁之间，每天都能上网。排除标准包括在研究期间怀孕或计划怀孕，在研究期间进行减肥手术或计划进行减肥手术，在过去3个月内体重减轻≥5%，存在排除体力活动或饮食改变的疾病，服用影响体重的药物，不能在无辅助的情况下不间断地行走四分之一英里，1型或2型糖尿病，以及在研究期间参加过主要研究者的减肥研究。

参与者在随机分组之前完成了一个定向网络研讨会，以了解更多关于研究的信息，那些仍然有兴趣参与的人会收到一个Wi-Fi秤(FitBit Aria, FitBit Inc)，并被要求向工作人员提供他们的秤登录信息，以便记录体重以进行评估。我们将80名参与者随机分为两组。

这项试点可行性随机试验于2017年10月由康涅狄格大学机构审查委员会(H17-215)批准。

我们的分析集中在每个随机参与者(N=80)是否参与了每个帖子，因为随机参与者在整个干预过程中都可以访问Facebook群组(应该注意的是，每个帖子只在特定的治疗组中可用，因此只能由40名随机参与者看到)。为了研究预测参与者参与每个帖子的因素，我们在参与者对水平上进行了分析(即，每个参与者是否参与每个帖子)。这使得我们能够在每个参与者参与之前构建准确反映内容(即帖子和对话)的衡量标准。我们包括了来自80名随机参与者的761篇帖子中的所有可能的参与(即参与者参与的情况和他们没有参与的情况)，这导致了最终的31,968个观察样本(参与者参与了4462个例子，没有参与27,506个例子)用于我们的分析。

总体分析框架描述在 图1．对数据进行筛选，以排除与所用统计分析所需假设的偏差。我们计算了每种治疗条件的结果和关键自变量的描述性统计数据。为了解释参与程度嵌套在每个帖子中的事实，我们使用参与者的参与程度作为主要结果，将所有上述关键预测因素(即帖子的特征、回复或评论以及参与者以前的参与行为)作为自变量，以参与者的基线和社会人口学特征作为协变量，使用后级随机效应进行混合效应回归。我们还纳入了参与者水平的固定效应作为替代规范，以解释可能遗漏的变量偏倚。作为稳健性检验，我们还使用相同变量进行了混合效应逻辑回归( 多媒体附件1)．为了确定参与者敬业度的重要预测因素，我们报告了系数、95% CI和相关系数 P每个预测器的值。所有分析均在STATA标准版(版本16)中进行。

虽然回归分析对于确定线性关系的统计显著性很有用，但有些关系可能要复杂得多(例如，非线性或受其他变量调节)。为了确认我们之前确定的重要预测因素的重要性，并调查这些变量作为一个整体如何预测参与者对特定职位的参与度，我们在机器学习算法中包括了所有上述预测因素，包括梯度增强机，深度学习模型，以及它们的集合[ 35， 36]，并通过计算关键指标来检验这些模型的性能，包括(1)使用5倍交叉验证的曲线下面积(范围从0.5到1，其中1为最佳)，(2)不同模型之间的变量重要性，以及(3)在具有1600个观测值的平衡样本上的样本外预测精度(800个有啮合的随机观测值和800个没有啮合的随机观测值)。在机器学习模型中，变量的重要性是通过计算每个变量的相对影响来确定的:在基于树的模型中，它是根据在树的构建过程中是否选择或包含该变量以及它对模型拟合的改善程度来计算的。在其他非基于树的模型中，它被计算为连接特定输入或变量与输出的权重或系数的大小[ 37］．我们还使用一种被称为Shapley加法解释贡献的替代方法来评估变量重要性，该方法在一个性能最好的模型中测量了平均模型预测在有或没有特定特征或变量时的变化程度[ 38]，如图所示 多媒体附件1．所有的分析都是使用 水包( 39R (R基础统计计算;3.6.1版本)。

在这项研究中，我们使用两组试验可行性随机对照试验的数据进行了二次分析，该试验通过Facebook提供生活方式干预。我们分析了80名参与者对咨询师和参与者在16周的干预期间产生的761个帖子中的每一个帖子的评论或回复行为，并将它们与预测因素联系起来，包括帖子特征(例如，时间，帖子长度和帖子主题)，对话特征(例如，对话的情绪和被回复的参与者)，以及参与者特征(例如，社会人口学和以前的评论或回复行为)。我们的研究结果表明，尽管参与者的评论或回复随着时间的推移而减少，但帖子的重要特征、与该帖子相关的对话以及参与者的参与模式可以预测参与者是否参与特定的帖子。例如，我们发现那些在以前的帖子上投入更多精力的参与者更有可能参与未来的帖子。较长的帖子(最大字数不超过107字)，由干预主义者创建，或内容与权重相关(例如，称重帖子)和目标设定更容易吸引用户参与。后者与干预的设计是一致的，参与者被要求每周一制定一周的饮食和运动目标，周日报告他们的目标进展，每周五报告他们一周的体重变化。这也是令人鼓舞的，因为目标设定[ 40]和频繁的自我权衡[ 41是关键的行为减肥策略。此外，直接提到焦点参与者的回复或评论的帖子更有可能吸引该参与者的后续回复。此外，含有负面情绪的回复或评论更有可能吸引后续评论。这可能是因为分享挣扎、问题和挑战的参与者自然更消极 多媒体附件1例如带有负面情绪的回复或评论)，这样的内容通常会吸引其他参与者的支持和头脑风暴，当其他人陷入困境时，他们可能会感到有必要帮助他们。这些结果对多种备选规范都具有鲁棒性。机器学习结果还表明，这些特征一起可以预测参与者的参与度，准确率高达90.9%。

在这项研究中，我们展示了使用NLP工具分析微观层面对话数据的潜力，并确定影响参与者在社交媒体提供的减肥干预中评论或回复行为的因素。我们的研究结果揭示了参与者、帖子和对话的一些重要微观层面特征，这些特征可以塑造参与者在干预期间的体验，并预测他们未来的参与。这些结果对社交媒体提供的行为干预的设计和实施有影响，以最大限度地提高参与者的参与度。我们之前报道过参与者参与和减肥之间的强烈关联[ 31，这表明增强参与的策略可能会带来更有利的结果。例如，在早期加强参与可能有助于持续参与。此外，我们发现，收到回复似乎会刺激参与者进一步参与。这也可能是参与者在评论中是否分享了一些关于自己的实质性内容的功能。例如，如果一个参与者的评论是“谢谢!干涉主义者可能只会点赞;然而，如果参与者的评论是一个问题或分享一个目标，干预主义者和其他参与者更有可能回复继续对话。进一步的研究应该探索最有可能引起他人回复的评论类型(例如，提问、分享问题和设定目标)。项目内容的设计应该促使参与者更频繁地发帖，更多地相互交流(例如，使用开放式问题，鼓励对等支持)。虽然在这项研究中，我们发现参与者更有可能对干预主义者做出反应，但更大的对等参与也可以促进更强的群体凝聚力，从而进一步提高参与者的参与度。 Posts in which participants share struggles, problems, and challenges they have encountered during the weight loss process may draw more participants into the conversation, which may generate richer brainstorming and social support, both of which could also enhance group cohesion. These implications could be applicable not only to social media–delivered weight loss interventions but also to other digital health interventions more generally.

尽管许多研究已经测试了社交媒体提供的减肥干预措施，或强调了参与者参与网络社区的重要性[ 12- 15， 42]，只有少数研究确定了影响数字健康干预参与者参与度的因素[ 43， 44]，且大多关注宏观层面的因素，如岗位类型和参与者特征(如年龄和性别)[ 9， 14］．很少有研究考察了对话动态等微观层面的因素。一些研究认识到这一局限性，并呼吁进行更多研究，以确定可以预测参与者参与度的所有相关因素[ 28， 43， 45， 46］．本研究在两个方面对这一研究方向做出了贡献:(1)我们展示了如何利用干预主义者和参与者在数字干预过程中生成的内容，并与数据科学和NLP工具相结合，以确定参与者参与度的微观预测因素;(2)我们已经确定了许多影响参与者参与度的微观因素，据我们所知，这些因素在以前基于社交媒体的行为干预中尚未被研究过。这对未来的干预设计具有实际意义，可以最大限度地提高参与者的参与度。

与之前的研究相似，我们发现参与者的参与度是高度可变的[ 17- 19]，而且通常会随着时间的推移而下降[ 16， 47］．虽然本研究中确定的许多因素尚未在基于社交媒体的行为干预背景下进行研究，但我们的发现与心理学和社会学理论以及一些基于网络传播的实证研究是一致的。例如，我们发现由干预主义者创建的帖子更受欢迎，这与其他关于网络社区的研究是一致的，这表明重要用户或具有指定角色的用户更有可能得到其他用户的回应[ 26]，可能是因为优先依恋[ 48］．我们发现，带有负面情绪的回复或评论会吸引更多的参与，这意味着参与者在看到其他人分享他们的挣扎和挑战时，更有可能回复或评论。这可能可以用社会支持过程来解释，它在各种基于网络的设置中都有大量的实证支持[ 22- 25， 49］．最后，被干预主义者和其他参与者回应的重要性可以用互惠的偏好来解释[ 50]，在许多其他基于网络的环境中，这已被发现是一个重要的沟通驱动力[ 20.， 21］．

这项研究有几个局限性，为未来的研究指明了方向。首先，我们的样本量很小(80名参与者;10,157个帖子、评论和回复)，我们的参与者主要是白人(72/ 80,90%)和女性(68/ 80,85%)。这限制了我们结果的泛化性，遵循长期以来难以招募男性参与者的减肥研究模式[ 51］．同样，考虑到96%(77/80)的参与者报告获得了大学学位或高等学位，我们不能将我们的结果推广到教育水平较低的个人。未来研究应设计吸引更多男性参与者和低教育水平参与者的招募策略，以进一步探索不同背景人群的个体异质性。第二，本研究没有完全梳理出所有可能的混杂因素，因此不能建立因果关系。例如，减肥更成功的参与者可能也更有可能发表评论，因为他们更关注这个群体，在应用他们所学到的知识和策略时，他们有更多的话要说。未来的研究应该包括更大规模的试验，更多纵向测量的调查(例如，身体活动和饮食跟踪，心理健康和其他行为)，以及定性研究，以建立敬业度和这些因素之间可能的双向和因果关系。第三，我们专注于回复和评论，没有探索其他类型的参与，如对帖子和评论的反应和看法。尽管评论和回复被认为比其他活动(如点赞和“潜伏”)更具实质性，但其他活动可能占社交媒体使用的相当大比例，因此值得在未来的研究中仔细考虑[ 33］．同样，虽然我们在分析中包含了参与者的帖子，但我们没有只包括带有图片或视频的帖子，也没有调查影响参与者创建帖子决定的因素，这是另一种重要的参与形式。此外，尽管我们在研究中包含了标签或提及关系，但大多数标签都是在回复或评论时由Facebook自动生成的。未来的研究应该考虑有意的标记是否可以促使不参与的参与者重新参与该项目。第四，我们假设所有参与者都有机会参与小组中的每一个帖子，并且我们在构建没有参与某个帖子的参与者的预测因子时考虑了所有的回复或评论，如果参与者没有看到该帖子或之前的评论或回复，情况可能就不一定是这样了。未来的研究可能会考虑更多的信息，比如参与者在Facebook上看了什么，花了多少时间。这将使研究人员能够构建更精确的衡量标准，以反映参与者在何种情况下决定是否参与。最后，尽管我们观察到较长的帖子更有可能吸引参与者的参与，但应该注意的是，本次干预中的帖子通常都很短(平均33.4个字，最多107个字)。社交媒体营销报告显示，相对于较长的帖子，小于50个字符的Facebook帖子的参与度最高。 52］．需要对广泛的帖子长度和不同类型的帖子(例如，目标设定vs问题分享)进行A/B测试，以确定理想的帖子长度，以最大限度地提高行为干预的参与度。

在这项研究中，我们使用试点可行性随机减肥试验的数据进行了二次分析，该试验通过Facebook提供了生活方式干预，并将参与者的参与度与几个重要的预测因素联系起来，包括帖子、回复或评论的特征以及参与者。我们的结果指出了使用数据科学和NLP工具来分析微观层面的行为或对话数据的潜力，并确定影响参与者在社交媒体减肥干预过程中参与度的因素，这对未来干预措施的设计和实施具有意义，可能会导致更有利的减肥结果。未来的研究需要验证我们的结果，并在类似和更大的试验中进一步探索这些关系。