这是一篇基于知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首先发表在JMIR infoepidemiology上,并适当引用。必须包括完整的书目信息,到https://infodemiology.www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。
截至2021年5月9日,美国新冠肺炎确诊病例3270万例(占全球确诊病例的20.7%),死亡58万例(占全球死亡人数的17.7%)。在大流行早期,普遍存在的社会、经济和精神不安全感导致了极端和非理性的应对行为,如恐慌性购买。但是,在疫情持续扩散的情况下,随着疫情的恶化,国民开始违反公共安全措施。
在这项工作中,我们研究了引起恐惧的新闻文章对人们在Twitter上表达焦虑的影响。此外,尽管COVID-19死亡人数稳步上升,但随着时间的推移,我们调查了对引起恐惧的健康新闻的脱敏。
这项研究调查了11个月内包含“COVID”、“COVID-19”、“大流行”和“冠状病毒”的新闻文章(n=1465)和相应的用户推文中的焦虑水平,然后将这些信息与美国COVID-19的死亡人数相关联。
总体而言,分享焦虑文章链接的推文更有可能焦虑(比值比[OR] 2.65, 95% CI 1.58-4.43,
在新冠肺炎大流行初期,由于文章焦虑,用户推文中的焦虑水平急剧上升,但随着伤亡人数的攀升,新闻文章似乎失去了引发读者焦虑的能力。脱敏提供了一个解释,为什么增加的威胁没有引起广泛的行为遵守公共卫生官员的指导。这项工作调查了个人对COVID-19大流行新闻的情绪反应如何随着死亡人数的增加而表现出来。研究结果表明,人们对COVID-19威胁的增加变得不敏感,他们的情绪反应随着时间的推移变得迟钝。
新冠肺炎疫情已在全球蔓延,影响到大多数国家。新冠肺炎疫情发生以来,确诊病例和死亡人数持续上升。据约翰霍普金斯大学统计,截至2021年5月9日,全球报告的COVID-19病例超过1.579亿例,死亡人数超过320万人。
极端的安全预防措施(如全州封锁、旅行禁令)影响了美国个人的身心健康。人们对病毒和严格的安全措施(如居家措施)经历了强烈的心理挫折和焦虑,特别是在COVID-19大流行的早期阶段[
从这些观察中,产生了两个关键的考虑。首先,引起恐惧的健康信息对引起采取行动控制威胁的动机有显著影响。然而,长时间反复接触这些信息会导致对这些刺激的脱敏。在这项工作中,我们研究了引起恐惧的新闻文章对人们在Twitter上表达焦虑的影响。此外,尽管COVID-19死亡人数稳步上升,但随着时间的推移,我们调查了人们是如何对引起恐惧的新闻文章脱敏的。
当前的大流行推动了快速变化的新闻周期并影响了公众情绪[
在2019冠状病毒病大流行的背景下,引发恐惧的信息对公共卫生官员行为合规的效果是至关重要的。关于COVID-19传播增加和死亡人数上升的报道可能会引发对该病毒的焦虑,从而激发旨在管理该问题的行为。例如,一项关于2020年3月美国成年人对COVID-19恐惧的心理健康后果的全国性调查发现,受访者普遍表现出中度至高度的COVID-19恐惧和焦虑(10分满分为7分),焦虑加剧在报告COVID-19病例最多的地区最为普遍[
尽管基于恐惧的健康信息已被证明可以激发行为改变,但反复接触即使是高度刺激性的刺激,如covid -19死亡人数上升的消息,最终也可能导致对这些刺激的脱敏[
许多研究已经证明了对媒体内容的脱敏。研究通常集中在对暴力的虚构描述上[
研究社交媒体数据的研究人员探索了新闻信息可能导致脱敏的可能性。李及其同事[
在COVID-19大流行的背景下,新闻受众一再接触到与COVID-19相关的死亡相关的高度激动的信息,这些信息本质上向读者传达了严重疾病和死亡的显性和隐性威胁。从根本上说,对通过文本传播的威胁的生物反应与以其他方式传播的威胁相似[
公众严重依赖通过社交媒体传播的新闻来获取有关病毒传播的信息[
指导这项研究的一般假设是,在大流行期间,受众将对COVID-19死亡变得不敏感,从而降低了新闻中可怕的COVID-19健康信息所引起的焦虑程度。据我们所知,我们的研究是第一个调查随着COVID-19的客观威胁和危害增加,个人是否对警告性COVID-19健康信息的新闻报道变得不敏感的研究。
这项研究调查了新闻文章中的焦虑水平如何预测用户在11个月内的推特焦虑水平,然后将这些信息与帖子分享当天向疾病控制与预防中心(CDC)报告的美国COVID-19总死亡人数相关联[
样本包括在Twitter上分享的内容,Twitter是一个用于分享新闻的流行社交媒体平台[
使用Python编程语言提取分享COVID-19健康信息新闻报道的帖子。从2020年1月1日至12月2日,我们每周收集32000条美国推文的配额样本,其中包含四个关键术语(即COVID, COVID-19,冠状病毒,大流行)中的一个。GetOldTweets3 Python3库用于抓取2020年1月至7月的推文[
然后,人类编码人员对1410901条推文的样本进行筛选,从每周分享有关COVID-19的新闻报道的每个关键词中随机抽取8条原创推文。数据收集导致每周有数千条包含链接的推文。为了提高新闻文章的代表性,每周从包含超链接的推文列表中抽取32条推文。由于我们的目的是评估用户对他们阅读的文章文本的反应,没有混淆其他人对一篇文章评论的文本框架,所以转发被排除在分析之外。如果没有达到每周32条tweet(每个关键词8条)的配额,则该周将对其他tweet进行采样。值得注意的是,在1月初,这种疾病和大流行通常不被称为COVID-19;因此,每周有“COVID”和“COVID-19”字样的推文不到8条。
这些新闻文章是从Twitter用户分享的链接中收集而来的,而不管是谁发布了这条推文。我们只包括分享有关美国COVID-19新闻文章链接的用户;所有其他内容都被排除在外(例如,关于摇滚乐队Pandemic Fever的新闻)。如果排除了该周的所有帖子,则抽取该周的另一个样本。如果一条推文链接到一篇已被撤下的新闻文章,就会在同一周内抽样替换一条推文。然后,我们从新闻文章及其相应的推文中提取文本。最后的样本由n=1465条新闻分享推文组成。
数据收集过程流程图。
一旦最终样本被收集(n=1465),我们使用语言调查和单词计数(LIWC)程序分析文章和推文[
分享到Twitter上的一篇COVID-19新闻文章的示例文本[
我们将最终样本与疾控中心发布推特当天的总死亡人数进行了比对。将这些文章和推文置于背景中,使我们能够研究COVID-19健康新闻引发的恐惧是如何表现出来的,因为个人对COVID-19相关死亡的新闻变得不敏感。
兴趣的结果是推特焦虑。请注意,计数数据结果变量的分布(在本例中为LIWC tweet焦虑)通常包含多余的零;这个结果被称为零通货膨胀。正值是偏斜的,并且在相当大的“零处聚集”之后是一个代表正值的凸起[
两种截然不同的分布通常表征了零通胀数据;因此,将零计数和非零计数分开的零膨胀模型是合适的[
我们采用了一个零膨胀模型,使用带有日志链接的伽马分布来检验文章焦虑和死亡人数之间的任何关联,以及它们与后续推文焦虑之间的相互作用,所有推文焦虑值都大于零。我们将其与一个模型配对,该模型使用带有logit链接的二项分布来确定tweet中的零焦虑与非零焦虑。我们将死亡人数重新编入类别,以反映总死亡人数中第二、第三和第四个四分位数相对于第一个四分位数的死亡人数(见
死亡人数四分位数随时间的分布。
这项研究只使用了公共领域的信息。本研究不包含个人身份信息。本研究不需要伦理审查和批准,因为机构审查委员会认识到,对公开可用数据的分析不构成人类受试者研究。
结果表明,随着死亡人数的增加,文章中焦虑词汇的基线水平下降;我们的发现证明了这一点,即当大流行的严重程度和威胁增加时,人们分享的包含COVID-19焦虑词(例如“风险”、“担心”、“威胁”)的新闻报道就会减少。当评估一条推文没有焦虑和焦虑的几率时,我们发现
推特包含焦虑语言与不包含焦虑语言的几率,使用带有绝对死亡的零膨胀模型确定一个.
变量 | 优势比(95% CI) |
|
拦截 | 0.11 (0.07 - -0.16) | <措施 |
文章焦虑 | 2.65 (1.58 - -4.43) | <措施 |
第二个四分位数(22253 - 133665例死亡) | 0.76 (0.41 - -1.41) | 点 |
第三四分位数(133,666-193,321例死亡) | 0.41 (0.2 - -0.83) | . 01 |
第四四分位数(≥193,322例死亡) | 0.42 (0.21 - -0.85) | 02 |
第二四分位数死亡(22253 - 133665例死亡) | 0.71 (0.34 - -1.48) | 36 |
第三个四分位数死亡人数(133,666-193,321例死亡) | 1.32 (0.54 - -3.24) | .55 |
文章中按四分位数死亡人数(≥193,322例死亡)划分的相互作用焦虑 | 1.9 (0.75 - -4.83) | 只要 |
一个这个表格报告了无推特焦虑和推特焦虑的几率。根据相对于第一个四分位数的第二、第三和第四四分位数对死亡进行分类。
文章焦虑预测推特焦虑与无推特焦虑在COVID-19死亡人数的第一、第二、第三和第四分位数的几率。
然后,我们检查了推文的实际估计语言焦虑,只查看连续分布中的所有值,排除那些零焦虑的值(即推文不包含任何焦虑词汇)。虽然在统计学上不显著
文章焦虑和COVID-19死亡人数预测的推文中表达的实际焦虑:具有分类死亡的伽马回归模型一个.
变量 | 系数(95% CI) |
|
拦截 | 3.45 (2.77 - -4.28) | <措施 |
文章焦虑 | 1.25 (0.99 - -1.59) | 07 |
第二个四分位数(22253 - 133665例死亡) | 1.53 (1.1 - -2.15) | . 01 |
第三四分位数(133,666-193,321例死亡) | 1.47 (0.97 - -2.22) | 。 |
第四四分位数(≥193,322例死亡) | 1.21 (0.83 - -1.75) | 收 |
第二四分位数死亡(22253 - 133665例死亡) | 0.78 (0.56 - -1.08) | .14点 |
第三个四分位数死亡人数(133,666-193,321例死亡) | 0.61 (0.37 - -1.01) | 06 |
文章中按四分位数死亡人数(≥193,322例死亡)划分的相互作用焦虑 | 0.78 (0.5 - -1.22) | 陈霞 |
一个根据相对于第一个四分位数的第二、第三和第四四分位数对死亡进行分类。这个表格报告了推文中实际估计的焦虑,只考虑连续分布中的所有值,不包括那些零焦虑的值。
文章焦虑预测COVID-19死亡人数的第一、第二、第三和第四个四分位数的非零推文焦虑。
本研究报告了在大流行期间引起恐惧的新闻信息的影响的探索性发现。最重要的是,我们证明了新闻文章中表达的焦虑与那些在Twitter上分享文章的人表达焦虑的几率之间存在联系。这可能反映了与流行病相关的新闻信息在读者中引起某种程度的恐惧的能力,这与公共卫生目标是一致的。然而,可能是随着时间的推移,COVID-19威胁不断上升(如LIWC新闻文章焦虑所示),以及人们认为防止病毒快速传播的能力较低,焦虑并没有随着死亡人数的上升而增加。相反,在疫情早期,推特上的焦虑情绪急剧增加,以应对文章焦虑情绪,但随着死亡人数的攀升,焦虑情绪趋于平缓,新闻文章似乎失去了在读者中引发焦虑的能力。
本研究结果为今后的研究提供了一些启示和方向。我们的研究结果表明,对COVID-19新闻的反应以及不断上升的死亡人数越来越平淡。面对具有威胁性的大流行信息,人们越来越麻木,这阻碍了公共卫生专家缓解COVID-19危机的努力[
第二,由于现有的研究表明,统计数据(如死亡百分比)和认知失调都可能导致脱敏[
我们的研究结果阐明了在大流行期间对引起恐惧的新闻信息的脱敏;然而,这项研究并非没有局限性。通过关注Twitter,我们忽略了探索焦虑在其他新闻分享平台(例如,数字新闻网站的评论区)上的表现。因为不同的平台有不同的社区规范[
这项工作调查了个人对COVID-19大流行新闻的情绪反应如何随着死亡人数的增加而表现出来。个人对日益增加的健康威胁变得不敏感,他们的情绪反应随着时间的推移变得迟钝。我们的研究结果表明,公众对COVID-19威胁新闻的反应不敏感,这可能会影响个人采取推荐健康行为的倾向。
公共卫生机构提出了减缓大流行传播的建议,包括在适当情况下与他人保持身体距离,戴口罩,经常洗手,并对经常接触的表面进行消毒。忽视这些指导方针的后果最初引发了人们对感染病毒或让家人和朋友感染病毒并生病的广泛恐惧和焦虑。社会科学家试图为旨在促进遵守公共卫生专家意见的干预措施提供信息[
疾病控制和预防中心
语言探究与字数统计
优势比
没有宣布。