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。

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:

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:

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[ 33， 55]以及对这些来源的不同信任模式[ 34]。在第一个时间点，付款较低(3美元)，但我们发现研究持续时间比预期更长(所有时间点的平均29.77分钟，标准差17.21)，并相应增加付款以保持目标小时费率。2400名参与者中，共有2350人(97.92%)留在分析中，因为4人(0.17%)没有完成研究，46人(1.91%)被排除在外:17人(37%)的回答是与问题无关的随机句子，17人(37%)是从互联网或说明中复制的，7人(15%)是重复的，4人(9%)的参与者报告年龄<18岁或65岁以下，1人(2%)的回答是用波兰语写的。

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。 多媒体附录1包括我们分析中2350名参与者的详细人口统计信息。在所有12个时间点中，我们的样本包括1081名(46%)女性，1222名(52%)男性和47名(2%)以其他方式识别。参与者以年轻人为主，18-24岁775人(33%)，25-34岁869人(37%)，35-44岁400人(17%)，45-54岁212人(9%)，55-64岁94人(4%)。

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 多媒体附录2和 3.对于所使用的所有代码以及每种疾病被认为是正确的回答的列表， 多媒体附录4从哪里得出正确答案，和 多媒体附录5一个参与者的回答是如何被编码的例子。对原因和风险因素提示的反应是相似的，参与者经常为两个提示列出相同的因素，因此将这些因素结合起来进行分析。我们计算了知识精度和知识深度(召回率)如下。知识精度是参与者的正确唯一回答数除以该参与者的唯一回答总数。对于原因和风险因素类别，只要对原因或风险因素的反应是准确的，就被认为是正确的。然后，我们将导致/风险因素和预防的精度平均，为每种疾病的每个个体获得1个精度分数。我们通过将参与者对某种疾病和类别的正确回答数除以被认为对该疾病和类别正确的代码数来计算知识深度。因此，如果CDC和其他来源将A和B列为COVID-19的原因或危险因素，而Amy只列出B，则Amy的精度为1.0，召回/知识深度为0.5。这些指标共同表明了参与者的回答中有多少是正确的(知识精度)，以及他们对某一条件的知识程度(知识深度)。

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( 表1）.看到 多媒体附录6获取高级信息源类型的完整列表。

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( 表2和 3.)，其中第一个因素有4种疾病(≥0.9)，第二个因素有3种疾病(≥0.9)。其中一组，我们称之为“新兴疾病”，包括新出现的严重影响公众健康的传染病(寨卡病毒、COVID-19和埃博拉病毒)，而另一组，“常见疾病”，包括那些历史上在普通人群中常见的疾病(中风、链球菌性喉炎、食物过敏和普通感冒)。新出现疾病最常被提及的来源是新闻(n=68，提及34%)、政府机构(n=18, 9%)和社交媒体(n=14, 7%)。对于常见疾病，最常提到的来源是家庭(n= 30,15%)，医疗专业人员(n= 26,13%)和朋友(n= 14.7%)。肌萎缩性侧索硬化症与这两组有显著差异，反映出人们以特殊的方式了解它。此外，许多参与者表示对ALS一无所知。当参与者报告信息来源时，它通常与社交媒体活动(如冰桶挑战)或名人信息有关，所以这不太可能反映有意的信息寻求，ALS被排除在进一步的分析之外。

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( 图1）.

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, P<措施;使用平均值4.32，标准差1.11;未使用平均值3.97，标准差1.23)和新发疾病(D₁₉₈=点, P<措施;使用平均值4.52，标准差1.09;未使用的平均值为4.03，标准差为1.17)，这意味着人们认为他们使用的信息源比他们没有使用的信息源更值得信赖。因此，即使社交媒体没有被广泛认为是健康信息的可靠来源，与不使用它的人相比，使用它的人认为它更可靠。

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 多媒体附录7）.由于数据不是正态分布(参见 多媒体附录8- 11)，我们进行了Kolmogorov-Smirnov检验来比较常见病和新发病之间的知识精度和知识深度，以获得统计学意义。我们发现新发疾病的知识精度明显高于常见疾病(D₁₉₈= 10, P= .003)。为了检验参与者的知识程度，我们现在转向分析知识深度( 表4）.我们再次发现，参与者在新发疾病(平均0.67,SD 0.23)方面的得分明显高于常见疾病(平均0.51,SD 0.27)₁₉₈= .19, P<措施)。最后，我们执行Spearman秩相关来检验参与者使用的信息源的平均数量与他们的知识质量之间的关系。我们发现，参与者报告使用的信息源数量与知识精度呈弱正相关₁₉₈=酒精含量, P<.001)和新兴(r₁₉₈=点, P<措施)疾病。我们观察到知识深度与常见(r₁₉₈=。31, P<.001)和新兴(r₁₉₈= 29, P<措施)疾病。

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， P=.37)或所有16个信息源的平均信任得分(F_1184年MSE = 0.22 = 12.76, P=.45)，我们也没有发现对任何单个来源的信任发生变化(所有 P> .09点)。然而，我们使用线性趋势分析确实观察到知识质量的显著变化。在2020年3月31日开始收集数据时，COVID-19的知识精度得分最高(平均值0.76,SD 0.19)，知识深度也很高(平均值0.72,SD 0.12)。知识精度和知识深度均显著降低(知识精度:F_1184年MSE = 0.25 = 5.31, P= .03点;知识深度:F_1184年MSE = 0.18 = 3.02, P<.001)，最后一个时间点为2020年9月22日(知识精度:平均值0.71,SD 0.22;知识深度:均值0.69，标准差0.18)，见 图2。此外，我们测量了效应大小，使用Cohen d分数表示从一个时间点到下一个时间点的准确性下降。我们发现时间点之间的效应大小从小到中等不等(d=0.32-0.49)。这些发现表明，随着时间的推移，除了正确的信息外，人们报告的错误信息也越来越多。值得注意的是，我们没有发现新发疾病或常见疾病(不包括COVID-19)的使用来源数量随时间的显着差异(常见:F_1184年MSE = 0.11 = 6.65, P= .19;新兴:F_1184年MSE = 0.14 = 7.89, P=.09)，信任来源(常见:F_1184年MSE = 0.15 = 9.86, P= 49;新兴:F_1184年MSE = 0.09 = 14.21, P=.77)，知识精度(常见:F_1184年MSE = 0.13 = 10.31, P=。08;新兴:F_1184年MSE = 0.11 = 13.64, P=.35)或知识深度(常见:F_1184年MSE = 0.14 = 11.73, P= . 21;新兴:F_1184年MSE = 0.08 = 8.67, P=。45)。

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(F_1184年MSE = 0.19 = 12.91, P=.003)和知识深度(F_1184年MSE = 0.26 = 8.004, P<.001)。此外，我们通过比较人们认为限制更多和限制更少的频率来检查错误回答的类型。为了比较这些分数，我们计算了这两个类别中参与者的错误回答数量，并使用Kolmogorov-Smirnov检验比较了它们的统计显著性。错误的回答主要是由于参与者没有意识到他们国家的限制，认为限制比实际施加的要少₁₆₄₉= 0.23, P<措施)。

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[ 47疾病表征，包括病因和控制知识(如预防策略、治疗)，指导行为。在这一框架的基础上，我们现在发现，人们对常见疾病和新发疾病的认识及其信息来源存在系统性差异。虽然信念和具体信息来源选择之间的联系尚未得到检验，但先前的工作已经将信息搜索框架为一个假设检验过程，这表明信念可能指导人们在网上搜索什么[ 56]。信息质量(例如，外行和人际来源的使用)是否导致常见疾病的知识质量下降，或者个人因素是否独立地驱动知识和来源选择，仍有待于未来的工作。CSM还为解释我们关于COVID-19的发现提供了一个框架。随着时间的推移，COVID-19知识和限制越来越复杂(例如，只待在家里与关于口罩、感染后隔离和通风的指导方针相比)，随着时间的推移，人们也可能随着个人经验的积累或发现对健康威胁的理解越来越深入，而对健康威胁的看法也会有所不同。这反过来又可能影响他们的信息来源或信息寻求行为。在新出现的大流行病期间，未来的工作需要审查信息来源、信念和感知风险之间的关系。

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[ 1， 2， 4， 31]，以及人们对特定疾病的了解[ 5， 21， 22而不是在疾病群体中寻找模式。我们没有把重点放在特定的信息来源上，而是使用了在一定时间范围内收集的开放式问题，使我们能够了解人们从哪里获得信息以及这种信息如何变化。我们关于最常见的健康信息来源的发现与先前调查健康信息寻求策略的工作一致[ 1， 2， 4];然而，以往的研究并没有调查疾病组的搜索模式及其与健康知识的相关性。人们对新发疾病和常见疾病使用的信息来源存在差异，这可能由疾病的性质来解释。常见的疾病，如食物过敏、普通感冒、链球菌性咽喉炎和中风，可能会在一生中从家庭成员那里了解到，因为它们会影响个人或他们认识的人。当一种新的疾病出现时，个人没有亲身经历，他们依靠新闻媒体和政府机构，这两者都传播有关新疾病的信息[ 57]。这种差异提供了一个机会，可以将我们的发现扩展到其他疾病，这些疾病可能被归类为常见疾病或新出现的疾病，并制定有效的信息传递策略。

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[ 58建议让卫生专业人员纠正社交媒体上的错误信息。我们的研究结果对此提供了进一步的支持。在社交媒体上开展更广泛的卫生宣传活动，可以侧重于利用医疗专业人员提供有关新发疾病的可靠信息，例如正在进行的冠状病毒大流行。了解参与者通常使用社交媒体，即使他们认为它不太值得信赖，政府机构可以利用它更有效地传递信息，例如关于疫苗接种的信息，并有可能改善健康知识。

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。