这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)条款下发布的开放获取文章,该许可允许在任何媒体上不受限制地使用、分发和复制,前提是原始作品首次发表在JMIR Formative Research上,并适当引用。必须包括完整的书目信息,到https://formative.www.mybigtv.com上原始出版物的链接,以及版权和许可信息。
人们的健康相关知识影响健康结果,因为这些知识可能影响个人是否遵循医生或公共卫生机构的建议。然而,很少注意人们从何处获得卫生信息以及这些信息来源与知识质量的关系。
我们的目标是发现人们使用哪些信息来源来了解健康状况,这些信息来源与他们的健康知识质量之间的关系,以及信息来源和健康知识的数量如何随时间变化。
我们在2020年3月至9月的12个时间点对200名不同的人进行了调查。在每个时间点,我们都询问了参与者关于8种病毒性疾病(埃博拉、普通感冒、COVID-19、寨卡)和非病毒性疾病(食物过敏、肌萎缩性侧索硬化症、链球菌性喉炎、中风)的病因、风险因素和预防性干预措施的知识。参与者进一步被问及他们是如何了解每种疾病的,以及他们对各种健康信息来源的信任程度。
我们发现,与新发疾病(埃博拉病毒、普通感冒、COVID-19、寨卡病毒)相比,参与者使用不同的信息源获取有关常见疾病(食物过敏、链球菌性喉炎、中风)的健康信息。参与者主要依靠新闻媒体、政府机构和社交媒体获取有关新发疾病的信息,同时从家人、朋友和医疗专业人员那里了解常见疾病。参与者依赖社交媒体获取有关COVID-19的信息,在大流行期间,他们对COVID-19的知识准确性不断下降。参与者使用的信息源数量与健康知识质量呈正相关,但与咨询的具体来源类型没有关系。
在前人关于健康信息寻找和健康知识影响因素的研究基础上,我们发现人们会根据疾病类型系统地查询不同类型的信息源,并且人们使用的信息源的数量会影响个人健康知识的质量。传播健康信息的干预措施可能需要以个人可能寻求信息的地方为目标,这些信息来源因疾病类型而有系统地不同。
人们用来寻找健康相关信息的信息源的质量和可信度对其健康结果起着重要作用,因为这些信息有助于人们的健康知识。研究表明,虚假信息会导致许多疾病的治疗选择不当[
我们的目标是确定(1)人们信任和使用哪些信息来源来收集卫生信息,(2)使用的信息来源与卫生知识质量之间的关系,以及(3)在不断发展的形势下,人们的卫生信息来源如何变化,以及这与他们的卫生知识质量有何关系。更好地了解卫生信息来源与卫生知识质量之间的联系,可使卫生保健专业人员将患者引向可靠的信息来源,并通过深入了解患者目前的理解,促进共同决策。在大流行期间探索所有这些,使我们能够了解随着对疾病知识的积累,信息来源的使用可能会发生怎样的变化。
我们首先回顾了人们从哪里获得健康信息的研究,然后考察了人们的健康知识,最后讨论了信息源和知识之间的联系。
随着个人在与医生直接互动之外获得越来越多的健康信息,了解人们从哪里获得这些信息变得至关重要。健康信息寻求行为模型(HISB)旨在捕捉个人从事信息寻求的过程以及这与他们的健康结果的关系。约翰逊的(
围绕HISB的许多工作都集中在个人使用的信息来源上[
相对于静态信息源(如学术和政府网站)的一个优势是,社交媒体平台允许人们与他人互动和分享信息。然而,由于专家没有整理这些信息来源,它们的质量是未知的,它们的使用可能会对健康决策和行为产生负面影响[
先前关于健康信息寻求的大多数研究都集中在在线资源上,因此对于人们如何以及何时寻求和使用离线信息来源(如医疗专业人员,家庭成员或新闻媒体)知之甚少。
除了倾向于在网上查找之外,人们选择在哪里获取健康信息取决于健康主题、信息可用性、隐私问题、人们期望找到的信息的质量以及健康素养[
人们收集的关于健康和疾病的信息增加了他们的健康知识,这意味着他们对影响健康的因素、疾病的原因以及治疗和预防疾病的方法的信念[
健康信息寻找模型,如CMIS,假设信念影响人们如何寻找健康信息,但没有检查信念形成的过程。这些模型中的许多都受到健康信念模型(HBM)的影响,并纳入了健康信念模型(HBM)的各个方面,这代表了影响人们健康相关行为的主要因素[
虽然人们的健康知识的重要性是众所周知的,但人们对这种知识如何受到人们使用的特定信息来源的影响所知相对较少。Kealey和Berkman [
信息来源本身也与行为有关,使用印刷媒体和人际信息来源作为信息来源的个人更有可能从事健康行为[
虽然先前的工作表明,信息对人们是否了解如何预防疾病很重要,但对特定信息源与健康知识之间关系的研究一直很有限。此外,我们必须更好地了解人们从何处获得信息,以及信息如何影响他们在不同类型条件下的信念,而不是针对一般健康或仅针对特定问题。更好地了解这种关系可能有助于医疗专业人员和决策者提供健康信息并告知一般人群。因此,在本研究中,我们旨在通过调查人们获取健康信息的地方与他们对各种疾病的了解之间的关系,对健康信息来源、对这些信息来源的信任以及对健康知识的影响提供更深入的了解。
我们选择了8种疾病,包括病毒性疾病(埃博拉病毒、普通感冒、COVID-19、寨卡病毒)和非病毒性疾病(食物过敏、肌萎缩性侧索硬化症(ALS)、链球菌性咽喉炎、中风)。这些选择包括病毒性和非病毒性疾病的严重程度,以及在非病毒性疾病中,慢性(食物过敏,ALS)和急性(链球菌性咽喉炎,中风)疾病的平均分布。考虑到研究进行的时间范围,我们预计许多参与者都会想到COVID-19。包括其他病毒性疾病,可以将其与其他类似引起的健康状况进行比较,作为与covid -19相关的反应进行比较的基线。
对于每种疾病,参与者首先看到一个屏幕,上面有以下3个问题,其中[ITEM]填写了相应疾病的名称:
你认为是什么导致了[项目]?(原因问题)
是什么使人们更容易或更不容易患上[项目]?(风险因素问题)
[项目]如何预防?(预防问题)
在下一个屏幕上,参与者被要求通过以下提示(信息来源问题)反思他们从哪里得到这些信息:
现在我们想让你列出所有你认为你学到的关于[项目]的任何或全部信息的地方。如果你不记得你从哪里学的东西,描述一下你认为你会去哪里找到这些信息。
一些来源的例子包括特定的报纸或杂志,特定的网站,个人经历,医疗专业人员或家庭成员或朋友。这不是详尽的,可能还有其他来源。请尽可能具体。
所有回复均为免费文本。在完成所有8种疾病的问题后,参与者对16种健康信息来源的可信度进行了评分,从1(完全不可信)到7(非常可信)不等。参与者还能够表明他们是否无法判断消息来源的可信度。这16个独特的信息来源是从人们先验地认为用于健康信息的地方(搜索引擎、医生、WebMD、政府卫生组织、维基百科、公共卫生运动、电视新闻、新闻网站或报纸、家人、朋友),以及试点测试期间参与者提到的信息来源(社交媒体、健康和健身杂志、YouTube、Reddit、医学期刊、个人经验)中选择的。我们使用Qualtrics进行了调查。
数据是在史蒂文斯理工学院的机构审查委员会(IRB)批准下收集的(IRB协议#2018-003)。在开始研究之前,参与者阅读了一份同意书,告知他们研究的目的,并注意到参与的自愿性质。参与者通过点击响应按钮表示同意。
参与者使用多产软件在12个时间点内被招募,并获得4.50美元的报酬。我们限制了年龄范围,因为先前的研究发现,老年人在网上表现出明显不同的信息寻求行为[
在同意研究后,所有参与者都完成了每种疾病的4个问题(原因,风险因素,预防,信息来源),疾病的顺序随机化,其次是对各种预定信息来源的信任等级。在此之后,参与者完成了一份人口调查问卷,除了年龄、性别和教育水平外,还询问了他们的居住地和参与者居住的covid -19相关限制。该调查从2020年3月31日(10个时间点)开始,每隔一周进行一次,持续20周,然后在4周后和2周后(2020年9月22日)再次进行,共12个时间点。选择这一频率是为了足够经常地捕捉大流行开始阶段的变化。最后两个时间点分别为劳动节前一周和劳动节后两周。这些日期恰逢美国人们经常旅行的时间和新学年的开始,这两个事件都预计会导致COVID-19病例激增。每个人只允许参加一个时间点。
我们在12个时间点(总共2400个)中每个时间点招募了200名参与者。所有参与者都是年龄在18-64岁之间的美国居民。
所有关于原因、风险因素和预防措施的数据都由2名编码员独立编码,并由编码员或第三方讨论和解决分歧。信息源以精细的粒度级别编码(例如,生物课),然后映射到更高级别的类别(例如,教育)。参与者表示他们不知道(我不知道[IDK])的回答被排除在项目层面的分析之外(例如,编码为IDK的参与者对ALS危险因素的反应被排除在外,而ALS的原因和预防仍在分析中)。对于每种情况,我们使用负责国际公共卫生的政府机构的网站,即疾病控制和预防中心(CDC)、世界卫生组织、美国中风协会和美国哮喘和过敏基金会,来确定个人的反应是否正确。
为了评价关于原因、危险因素和预防措施的健康知识质量,我们将不正确的回答定为0,正确的回答定为1。看到
由于我们的研究是探索性的,我们进行了一系列分析,以回答有关卫生信息来源的关键开放性问题。我们首先检查了人们从哪里获得信息(使用列出的来源的流行程度),以及使用的来源如何因疾病而异(使用因素分析)。我们的因子分析是用最大似然估计进行的,使用直接旋转。我们使用了Scree检验,保留了特征值大于等于1的所有因子。然后,我们检查了人们对各种信息来源的信任程度,然后比较了一个人对他们使用过的信息来源和他们没有使用过的信息来源的平均信任程度,并进行了Kolmogorov-Smirnov测试。我们考察的第三个关键方面是知识的质量。我们使用编码回答来比较不同疾病的知识质量,然后检查知识质量是否与咨询来源的数量相关。最后,我们研究了关于COVID-19的知识质量以及对与大流行相关的地方限制的理解如何随着时间的推移而变化。
我们首先分析第一个时间点(2020年3月31日),然后研究结果如何随时间变化。为了确定人们从哪里获得健康信息,我们报告了提及每种疾病的每种高级信息源类型(例如,新闻,而不是CNN)的个人百分比(
参与者按疾病获取健康信息的前10个信息源(N=200)。
信息来源 | 食物过敏n (%) | 肌萎缩性侧索硬化症一个, n (%) | 普通感冒,n (%) | COVID-19, n (%) | 埃博拉病毒,n (%) | 链球菌性喉炎,n (%) | 笔画,n (%) | 寨卡病毒,n (%) | 总计b, n (%) |
新闻 | 16 (8) | 20 (10) | 16 (8) | 66 (33) | 70 (35) | 6 (3) | 10 (5) | 66 (33) | 36 (18) |
家庭 | 24 (12) | 10 (5) | 30 (15) | 12 (6) | 8 (4) | 30 (15) | 36 (18) | 8 (4) | 20 (10) |
医学专业 | 20 (10) | 4 (2) | 24 (12) | 6 (3) | 2 (1) | 38 (19) | 18 (9) | 6 (3) | 14日(7) |
政府机构 | 2 (1) | 2 (1) | 2 (1) | 28日(14) | 12 (6) | 2 (1) | 2 (1) | 12 (6) | 12 (6) |
社交媒体 | 4 (2) | 16 (8) | 4 (2) | 18 (9) | 14日(7) | 2 (1) | 4 (2) | 10 (5) | 12 (6) |
朋友 | 24 (12) | 6 (3) | 12 (6) | 10 (5) | 6 (3) | 14日(7) | 8 (4) | 6 (3) | 10 (5) |
教育 | 18 (9) | 10 (5) | 22 (11) | 2 (1) | 8 (4) | 12 (6) | 22 (11) | 4 (2) | 10 (5) |
互联网 | 12 (6) | 10 (5) | 10 (5) | 6 (3) | 10 (5) | 10 (5) | 6 (3) | 8 (4) | 8 (4) |
网站 | 8 (4) | 2 (1) | 6 (3) | 4 (2) | 6 (3) | 14日(7) | 8 (4) | 6 (3) | 6 (3) |
个人经验 | 8 (4) | 0 | 12 (6) | 0 | 0 | 22 (11) | 2 (1) | 0 | 6 (3) |
一个肌萎缩性侧索硬化症。
bTotal表示在结合所有疾病进行第一个时间点(2020年3月31日)分析时提到每个信息源的参与者的百分比。此值用于对表中的信息源进行排序。
我们进行了探索性因素分析,以确定所使用的信息源中是否存在子组或模式。对于所有疾病(N=8),我们输入每个高级信息源(N=55)的提及次数,生成8×55矩阵,其中每个单元格表示所有参与者对该疾病的源类型的提及次数。我们发现疾病分为两类(
旋转分量矩阵。
|
因子1 | 因子2 |
普通感冒 | .952 | N/A一个 |
链球菌性喉炎 | .941 | N/A |
中风 | .915 | N/A |
食物过敏 | .904 | .323 |
埃博拉病毒 | N/A | .976 |
Zika病毒 | N/A | .972 |
新型冠状病毒肺炎 | N/A | .942 |
肌萎缩性侧索硬化症b | .348 | .680 |
一个-不适用。
b肌萎缩性侧索硬化症。
疾病之间信息来源的相关性。
|
肌萎缩性侧索硬化症一个 | 普通感冒 | 新型冠状病毒肺炎 | 埃博拉病毒 | 链球菌性喉炎 | 中风 | Zika病毒 |
食物过敏 | . 21 | 。9 | 口径。 | 。 | .76 | .76 | 23) |
肌萎缩性侧索硬化症 | N/Ab | 2 | 收 | .74点 | 原来 | 只要 | i = |
普通感冒 | N/A | N/A | .14点 | 只要 | 点 | .87点 | 。 |
新型冠状病毒肺炎 | N/A | N/A | N/A | 总收入 | 点 | 03 | 总收入 |
埃博拉病毒 | N/A | N/A | N/A | N/A | 厚 | 03 | 获得 |
链球菌性喉炎 | N/A | N/A | N/A | N/A | N/A | 点 | 厚 |
中风 | N/A | N/A | N/A | N/A | N/A | N/A | 06 |
一个肌萎缩性侧索硬化症。
b-不适用。
我们现在研究参与者对信息源可信度的看法与他们咨询的人之间的关系。首先,我们计算了参与者在第一个时间点对16个信息源的平均信任度。社交媒体的评分最低(平均2.8,SD 1.21),其次是YouTube(平均3.34,SD 1.23)和Reddit(平均3.50,SD 1.41),而医疗专业人员(平均5.63,SD 1.03)、医学杂志(平均5.49,SD 1.96)和政府机构(平均5.23,SD 1.41)被评为最值得信赖的(
时间点1(2020年3月31日)的类别平均信任得分。
为了计算人们对他们报告使用的信息源的信任程度,我们将每个人用来了解每种疾病的信息源映射到他们评价的16个信息源(例如,学校护士被分配到医疗专业人员的评级)。然后,我们进行了Kolmogorov-Smirnov测试,以比较每个参与者使用的信息源的平均信任分数与他们没有使用的信息源的平均信任分数,以了解常见和新出现的疾病。对参与者用于每组疾病(常见和新发)的独特信息源的评分进行平均,并对参与者未使用的信息源进行单独评分。我们发现,对于参与者用来了解两种常见疾病的来源,信任分数明显更高198=点,
为了评估参与者的知识质量并了解其与信息来源的关系,我们在每个疾病组中分别对参与者的知识精度和知识深度进行平均(例如,我们对代表新发疾病的COVID-19、寨卡和埃博拉的知识精度进行平均;按疾病分类的详细资料见
常见病和新发病的知识精度和知识深度。
新兴的疾病 | 常见的疾病 | ||
知识精度均值(SD) | 知识深度均值(SD) | 知识精度均值(SD) | 知识深度均值(SD) |
0.53 (0.19) | 0.67 (0.23) | 0.45 (0.18) | 0.51 (0.27) |
我们的第二个关键分析考察了2020年3月31日至9月22日期间COVID-19的信息来源和对来源的信任如何随时间变化。我们使用参与者列出的信息源数量和他们在所有12个时间点上的信任分数进行了线性趋势分析。我们没有发现随着时间的推移,所使用的信息源的数量发生了重大变化1184年=8.23,均方误差[MSE]=0.16,
所有12个时间点关于COVID-19的知识准确性(结合原因、风险因素和预防)。
同样,我们研究了关于covid -19相关限制的知识如何随着时间的推移而变化,以了解参与者对快速变化的健康指南的认识程度。我们对所有州进行了分析(在发现美国各地区之间的得分没有显著差异之后,也不是基于州一级的疫苗接种率,这可能表明与covid -19相关的信念存在差异)。线性趋势分析显示,知识精度(F1184年MSE = 0.19 = 12.91,
在这项研究中,我们旨在了解人们使用哪些信息来源来了解健康状况,这些信息来源如何与他们的健康知识质量相关,以及信息来源选择和健康知识如何随时间变化。首先,我们发现人们系统地依赖不同类型的来源,这取决于他们是否获得有关常见疾病(食物过敏,链球菌性咽喉炎,中风)或新发疾病(埃博拉,普通感冒,COVID-19,寨卡病毒)的信息,个人依赖新闻,政府机构和社交媒体收集有关新发疾病的信息,同时从家人,朋友和医疗专业人员那里寻求有关常见疾病的信息。其次,我们发现人们使用的资源数量与健康知识的质量呈正相关。有趣的是,参与者对新出现的疾病比常见疾病有更好的理解,这可能是因为参与者更有可能使用外行信息来源,如朋友和家人,来了解常见疾病,这表明这些信息来源更有可能是不完整或不正确的。
尽管参与者总体上确实区分了不同信息源的可信度,但他们认为自己使用的信息源比没有使用的信息源更值得信赖。例如,与不将社交媒体作为健康信息来源的人相比,尽管社交媒体的总体信任度较低,但使用社交媒体的人认为社交媒体更值得信赖。最后,在COVID-19大流行早期的6个月里,我们发现知识质量总体下降,包括对原因、风险因素和预防性干预措施的了解,以及对当地COVID-19相关限制的了解。我们没有发现其他条件随时间的变化,这表明尽管我们采用了横断面方法,但随着时间的推移,知识的变化是针对COVID-19的,而不是由于人口差异。知识的减少可能部分是因为在大流行期间,不同的、细微的限制数量增加了。随着限制的复杂性增加,我们的参与者似乎不太能够跟踪他们所在州的情况。今后的工作应探讨公共卫生限制的复杂性与对这些限制的了解之间的关系,以及如何利用这些发现来制定关于新出现疾病的信息传播准则。
我们的研究可以在CSM的背景下理解[
我们还通过识别疾病之间的系统差异,在先前的健康信息搜索工作的基础上进行了研究。以前的研究主要集中在使用在线健康信息来源,如社交媒体和网站[
我们进一步发现,尽管总体而言,人们认为医疗专业人员和政府信息来源比非专业信息来源(如社交媒体、朋友)更值得信赖,但与不使用非专业信息来源获取健康信息的个人相比,选择这样做的人认为这些信息来源更值得信赖。这有两个关键含义。首先,有必要帮助个人获得可靠的信息,并评估他们收到的信息的质量。由于对自己的健康存在误解以及对所使用的健康信息的质量缺乏认识,人们可能面临做出错误决定的风险。这可能导致不适当的卫生干预、对新信息的误解以及不良的健康结果。其次,了解在突发卫生事件(如大流行)期间个人在哪里查找信息,而不是在他们患有普通疾病时,意味着可以有选择地针对个人查找信息的地方查找信息。例如,Bautista等[
由于我们的数据是从多产的美国居民中收集的,因此我们的研究可能无法推广到其他人群。因此,未来的研究可能需要在不同的地理样本中调查信息来源与健康知识质量之间的关系。所研究的疾病的性质也是这样,我们无法实时了解人们从哪里获得信息(例如,当他们第一次听说链球菌性喉炎时),因此由于依赖参与者的记忆和随着时间的推移调查不同的参与者,可能存在偏见。由于我们没有询问参与者他们是否有任何列出的条件,个人经验可能是信息来源或知识质量的调节因素。使用多种疾病类别可以让我们看到,参与者不是简单地列出他们用于最近出现的疾病(COVID-19)的来源,但我们无法知道个人的特定信息来源或知识质量是否正在发生变化。我们的分析主要是探索性的,尽管进行许多分析可能会引入α误差。此外,尽管多个编码器独立编码每个自由文本响应,但这种定性分析过程可能会引入偏见。最后,我们征求了16类信息源的信任评级,但这并没有涵盖更不经常提到的信息源类型和信息源的组合类别(例如,家庭,没有区分扮演照顾角色的人或关系的亲密程度)。
未来研究的其他关键途径包括在更细粒度的层面上检查信任(例如,每个参与者列出的具体来源),信念的变化和个人层面的信息寻求(例如,发现当疾病在人群中流行时,个人是否可能从社交媒体转向家庭获取信息),为新出现的疾病使用信息源如何可能改变对先前已知疾病的信息源使用,以及如何利用这些发现更有效地传递信息。虽然我们知道人们可能有什么误解,以及他们在哪里寻求信息,但未来的工作需要将其转化为有效的信息策略。
我们的研究调查了人们用来学习健康信息的信息来源,以及这些信息来源与个人知识的关系。研究结果表明,不同疾病类型的健康信息来源和知识质量存在差异。根据人们查找健康信息的信息来源,我们确定了两组疾病:主要从家人、朋友和医疗专业人员那里了解的常见疾病(食物过敏、链球菌性咽喉炎、中风)和人们从新闻媒体、政府机构和社交媒体了解的新发疾病(埃博拉、普通感冒、COVID-19、寨卡病毒)。我们还发现,人们倾向于相信他们使用的信息来源,即使大多数人认为这些来源的质量很低(例如,社交媒体)。我们的研究结果表明,需要通过人们可能用于不同疾病类型的信息源进行有针对性的干预。在未来,我们的目标是通过调查不正确的知识如何影响人们使用信息和做出健康相关决策的方式来扩展这项研究。
参与者按人口统计的百分比分布。
病因、危险因素和疾病正确性的代码清单。
预防措施和疾病正确性规范清单。
用于分配参与者回答正确性的来源列表。
编码协议示例。
用于对参与者的回答进行分类的所有高级信息来源的列表。
3月31日(时间点1)疾病知识的准确性和深度。
新发疾病的知识精准分布。
常见病知识精准分布。
新发疾病的知识深度分布。
常见病知识深度分布。
肌萎缩侧索硬化症
疾病控制和预防中心
信息检索综合模型
自我调节的常识性模型
健康信念模型
健康信息寻求行为
我不知道
均方误差
我们感谢Helen Keetley、Hillary Winoker、Raihan Alam、Marissa Alverzo、John Brummer、Amanda Klansky、Taylor Kurz、Haley Miller、Renali Patel、Siddanth Patel、Gabriella Puchall、Sophia Salomoni、Madison Schulte、Boris Tzankov和Nada Younies对数据注释的帮助。这项工作得到了James S. McDonnell基金会和美国国家科学基金会(NSF;奖# 1915182)。
没有宣布。