推特上关于戴口罩和接种疫苗的COVID-19健康信念:深度学习方法

介绍

2020年1月30日，世界卫生组织宣布中国爆发的新冠肺炎疫情为国际关注的突发公共卫生事件[1]。第二天，美国卫生与公众服务部(HHS)部长宣布美国进入公共卫生紧急状态，以应对COVID-19 [1]。美国总统签署了《关于暂停有传播2019年新型冠状病毒风险的移民和非移民入境的公告》，限制曾前往中国大陆的人进入美国。随后，世卫组织于2020年3月11日宣布COVID-19为全球大流行。

随着全球大流行病的出现，出现了另一个令人关切的问题，即世界范围内的信息流行病的出现。就COVID-19而言，世卫组织将信息大流行描述为与COVID-19大流行相关的信息过剩和错误信息，导致对卫生当局的不信任，阻碍了公共卫生努力[2]。随着社交媒体使用的增长，有关COVID-19的信息传播迅速，需要进行信息管理或管理虚假和误导性信息，以减少对健康行为的影响[2]。人们更加关注COVID-19信息的来源，特别是通过社交媒体渠道传播COVID-19错误信息的低可信度来源[3.]。因此，一些研究人员已经开始探讨抗击COVID-19信息疫情的方法，并承认社交媒体的重要作用[4-7]。对社交媒体信息的持续监测和分析(信息流行病学)已被视为理解社交媒体影响和打击错误信息的关键工具[5]。虽然社交媒体数据不是专门为公共卫生目的而设计的，但它们是用于公共卫生监测目的的宝贵和可获得的资源[8]。例如，Twitter帖子的主题建模已被用于理解与COVID-19相关的主题和情绪[9-11]、口罩[12，13]，以及疫苗讨论[14]。虽然简单地监测社交媒体信息可以为COVID-19信息/错误信息提供有价值的见解，但了解信息大流行期间对健康信念和行为的影响可以帮助公共卫生部门在COVID-19等突发卫生事件期间通过风险沟通更好地管理信息[14]。此外，人们对可信度较高的信息来源的影响知之甚少，例如来自世卫组织和疾病控制与预防中心(CDC)的预防指南。

健康信念模型(HBM)的发展是为了解释信念如何影响健康决策[15]。该理论认为，人们从事与健康相关的行为是基于(1)他们对健康状况的感知(例如，COVID-19)，(2)他们对健康行为的利弊的感知(例如，戴口罩或接种疫苗)，以及(3)鼓励他们参与行为的行动线索或刺激(例如，卫生组织的建议)。该理论包括5个主要要素:感知易感性、感知严重性、感知益处、感知障碍和行动线索(图1）.该模型已成功用于评估社交媒体上关于COVID-19大流行期间保持身体距离的健康信念[16]、寨卡病毒[17]和人乳头瘤病毒疫苗[18]。虽然传统的民意调查方法需要大量的资源，并且在评估公共卫生信念方面存在局限性(例如，难以接触到大地理区域的大规模人口和实时跟踪变化)，但社交媒体为全世界数百万人提供了一个自愿和持续地就他们认为重要的问题表达他们的想法和意见的机会[18]。尽管有一项研究使用推特帖子的机器学习来监测有关COVID-19的健康信念、医疗保健治疗以及各种外部行动线索的影响[19]，目前还没有确定的研究使用这种方法来探索HBM与covid -19相关的重要行为结果(戴口罩和接种疫苗)的关系。

‎ 查看此图

研究表明，在COVID-19期间，卫生组织、医生和媒体是采取行动的重要HBM线索[20.]。世卫组织和疾病预防控制中心都发布了COVID-19预防建议;然而，随着时间的推移，建议也在不断发展。例如，在关于口罩需求和使用的第一份官方咨询文件中，世卫组织指出，健康的人不需要医用口罩，因为没有证据表明医用口罩对保护未患病的人有用[21]。后来，在更新后的口罩指引中，修订了先前的建议，并鼓励公众佩戴口罩[22]。同样，疾病预防控制中心最初声称戴口罩是一种不必要的公共卫生工具，但不久之后，它发布了新的指导方针，建议人们在难以保持社交距离的公共场所戴口罩。23]。了解个人对covid -19预防行为的看法，以应对来自这些高可信度来源的各种行动线索，对于帮助管理信息大流行至关重要。这些类型的COVID-19预防指南变化的影响在许多来源中引起了争议。

一般来说，国家、州和地方公共卫生组织制定的美国指南受到了极大的关注。从全球和国家指导方针中吸取的教训包括:(1)旅行限制延误允许从高风险地区旅行的公民自由通过机场，而无需进行筛查;(2)疫情高危地区的隔离延误，使潜在感染者得以传播;(3)公开的错误信息导致种族主义、不正确的公共预防措施以及对COVID-19前所未有的恐惧，从而导致谣言、猜测和错误信息的传播;(四)世卫组织宣布国际关注的突发公共卫生事件时，对疫情严重程度的紧急公告延迟一个月，没有广泛广播[24]。此外，世卫组织的指导方针受到美国总统的政治审查，他指责世卫组织在调查COVID-19早期病例方面拖延和功能失调，并暂停了世卫组织的资助。25]。

本研究的目的是利用机器学习与covid -19相关的推特帖子，调查戴口罩和接种疫苗的健康信念和行动线索。主要的大流行宣言(如世卫组织和疾病预防控制中心)关于戴口罩和疫苗的外部行动线索，以及展示的预防行为的突出例子(如总统戴口罩)，探讨了对健康信念的可能影响，如HBM结构所解释的那样。虽然这些突出事件不能研究因果关系，但考虑到本研究的监测方法，观察突出事件以及正在进行的Twitter帖子可能有助于提供线索，了解它们对行动线索的潜在影响。这种独特的方法是开始探索信息传播如何影响行动线索的重要途径。表1和2分别为口罩和疫苗的HBM结构。这项研究的结果表明，行动的线索与围绕戴口罩和接种疫苗的健康信念的对话增加有关。

方法

数据收集

在本文中，使用了一个大型的、公开的与covid -19相关的推文数据集[26，27]。由于Twitter的服务条款只允许Twitter id公开，因此作者将Twitter id与他们自己的Twitter开发者账户进行了配对。

左边的图表图2概述数据收集过程。由于所使用的变压器模型是预先训练的，可以处理相当原始的信息，因此只需要对数据进行少量预处理。非英语推文被排除在外，所有文本都被转换为小写。然后按日期过滤推文，并使用迭代过程按关键字过滤推文。研究生们提出了与口罩相关和与疫苗相关的推文的初步关键词列表。扩大的研究小组审查了这些清单，并酌情加以修改。例如，第一个列表包含关键字“脸”，它收集了很多关于“Facebook”的推文。因此，关键字“face”被改为“face”(在“e”后面加一个空格)。关键词列表可能不完美，可能会导致包含与COVID-19相关的口罩或疫苗范围之外的推文。然而，它们确实产生了比整个语料库更相关的人口，加上手工标记，人们认为该模型将能够识别与hbm相关的推文。

‎ 查看此图

这组与口罩相关的推文是通过过滤2020年1月至2021年1月期间的推文创建的，其中包括以下关键词:“口罩”、“面罩”、“面罩”、“布罩”、“遮住脸”、“遮盖脸”、“化妆”和“脸”。同样，这组与疫苗相关的推文是通过过滤2020年10月至2021年11月期间的推文创建的，其中包含以下关键词:“疫苗”、“antiva”、“anti-va”、“vax”、“注射”、“接种”、“针头”、“助推器”、“辉瑞”、“生物技术”、“免疫”、“mrna”、“试验”、“moderna”、“novacax”、“阿斯利康”、“约翰逊”、“赛诺菲”和“葛兰素史克”。正如预期的那样，与疫苗相关的Twitter对话晚于与口罩相关的对话，这反映在数据收集的开始日期不同。至于结束日期，他们的选择只是一个基于作者假设的选择问题。在检查口罩相关数据和生成的图表后，可以清楚地显示假设的相关性，并且认为额外的数据不会显着改变这些结果(HBM都是关于影响行为的信念)，因此口罩相关推文的数据收集被中断(与疫苗相关的推文类似，但针对相关的晚日期范围)。

最终的数据集统计如下:(1)磁盘1.8 TB， (2) tweet总数646,885,238条，(3)与口罩相关的tweet 59,724,507条，(4)与疫苗相关的tweet 113,542,400条。

数据分析

一旦创建了与主题相关的tweet集，就会根据HBM结构对它们进行分类。对每个主题相关集分别执行分类过程，但过程是相同的。随机抽取3500条推文样本进行人工标注。这些集合中没有包括转发，以避免模型偏差，因为转发会导致内容重复。因此，标记的数据由唯一的tweet组成，并且在随后的模型构建阶段只使用这些tweet。三位独立的审稿人根据样本与HBM结构的相关性对样本进行了手动分类。样本中的每条推文都对4种HBM结构(即感知易感性、感知严重性、感知益处和感知障碍)中的每一种进行了正面或负面标签的分类。接下来，在4个构念中至少有1个被标记为积极的推文也被归类为HBM相关。表1和2分别显示了与口罩和疫苗相关的推文的4种HBM结构中每一种的阳性标签标准。这些标准是使用类似工作的构造来定义的。综合起来，假设每个结构都会影响人们采取(或不采取)行动的可能性。审稿人对推文进行独立分类，但在标记前100条推文后将分类放在一起进行比较，并在标记前500条推文后再次进行比较以解决冲突。在这些校准会议上，审稿人聚在一起，检查了分类不同的推文样本，并根据中定义的标准达成共识表1和2．每条tweet的最终标签是获得多数投票的标签(即从评论者那里获得至少3票中的2票)。

请注意，每条tweet可以被标记为属于4个HBM结构中的1个以上，因为tweet的一部分可以属于一个HBM类别，而tweet的另一部分可以属于不同的HBM类别。作为一个例子，考虑以下来自掩码相关推文集合的推文:

购买可重复使用的口罩通常是浪费时间，而且会伤害在流感季节需要在日常护理中使用口罩的医护人员。冠状病毒可怕吗?这种怪病的潜伏期和严重程度/迅速传播真的很疯狂。

这条推文被标记为感知障碍和感知易感性，因为用户首先主张不购买可重复使用的口罩(感知障碍)，然后接着评论病毒传播的速度(感知易感性)。

一旦标记，每组3500条推文(与口罩相关和与疫苗相关)可用于模型构建目的。采用随机分层2450/1050(70%/30%)分割来创建训练集和测试集。每个模型在训练数据上单独训练(n=2450, 70%)。唯一考虑的超参数是辍学率，它没有显著改变结果。然后使用测试数据(n=1050, 30%)来评估模型的质量，这里给出的结果仅基于这些数据。在构建模型之后，我们将这些模型应用于标记所有推文，因为一个真实的系统确实应该同时标记原始推文和所有转发推文。右边的图表图2通过创建2个与主题相关的tweet集，最后通过分类过程，演示了处理来自GitHub存储库的数据所采取的步骤。

最先进的双向变压器模型[28]，并结合自定义分类层。考虑并微调了三种不同的预训练变压器模型:变压器的双向编码器表示(BERT) [29]，从变压器(DistilBERT;内存效率更高)，以及XLNet [30.]。另外三种更简单的模型也被纳入比较，即逻辑回归、RepresentationNet(带有自定义分类网络的BERT的vanilla版本)和双向门控循环单元(BiGRU)网络[31]。所有模型都在Python中使用pytorch图书馆。每个模型的预测能力通过受试者工作特征(AUROC)曲线下面积、准确度、精密度、召回率和F₁得分。此外，还计算了最终的模型大小(pytorch二进制格式)和以模型每秒可以分类的tweet数量为形式的性能度量。

在使用transformer模型对所有tweet进行分类之后，将tweet分成日历周并进行计数。hbm阳性标签百分比的计算方法是，将hbm阳性标签的原始计数除以根据口罩或疫苗相关关键词过滤的与covid -19相关的推文的总原始计数。采用散点图、Spearman相关矩阵、简单线性回归模型和添加二次项的回归，研究了按周HBM标签百分比与相应周的COVID-19相关统计数据(如美国确诊病例数、美国COVID-19死亡计数和美国COVID-19疫苗剂量)之间的潜在线性关系。

道德的考虑

不需要伦理批准，因为该研究仅分析了现有数据集中公开可用的数据，结果不包含任何可识别信息，仅以汇总形式表示。

结果

手动标记和互测器可靠性

对于口罩相关的数据集，用Gwet AC1测量的互信度系数分别为0.784、0.762、0.957和0.938，分别为感知益处、感知障碍、感知严重性和感知易感性。用Gwet AC1测量的疫苗相关数据集的间信度系数分别为0.825、0.814、0.937和0.915,4个HBM结构的排序与上述相同。根据Landis-Koch基准量表，这些互译器可靠性系数都被解释为基本一致到几乎完全一致[32]。与其他互层可靠性计算相比，Gwet AC1比传统的κ系数计算更稳定[33]。

对于掩码相关的数据集，2135条(61%)推文被手动标记为与HBM模型相关。对于疫苗相关数据集，1330条(38%)推文被标记为与HBM模型相关。

机器学习模型

表3报告AUROC，准确性，精密度，召回率和F₁为每个模型打分。它还包括模型大小，以及模型每秒可以分类的tweet数量。所有三种预训练的变压器模型都优于简单模型。在变压器模型中，XLNet变压器模型(具有自定义密集的3层分类网络，并将丢弃率设置为0.25)显然是这项任务的最佳模型。

为了提供更细粒度的性能分析，图3显示每个模型的完整AUROC曲线。该图证实了变压器模型的优越性。此外，它还表明XLNet转换器通常占主导地位，在最坏的情况下与其他转换器模型不相上下。

‎ 查看此图

值得注意的是变压器模型的强度，特别是预训练的模型。实际上，XLNet仅用3500个训练数据点就实现了82%以上的准确率，这是非常了不起的。相比之下，逻辑回归的准确率只有65%左右。更大的训练语料库可能会提高逻辑回归的性能，但是转换模型可以在相对较小的语料库中做得相当好。同样值得注意的是，尽管XLNet在预测评估指标方面表现更好，但它的内存占用明显更大，执行速度也更慢。在内存较低的情况下，蒸馏器模型可能是一个可行的替代方案，但代价是分类中的一些性能损失。在这里，XLNet模型是首选，因为它非常适合可用内存约束。

使用XLNet转换模型，对5个模型进行了训练，以便根据HBM相关性和4个HBM结构(按照感知利益、感知障碍、感知严重性和感知易感性的顺序)对tweet进行分类。5个模型在口罩相关推文测试数据上的分类准确率均超过81%(分别为81%、97%、96%、85%、82%)，在疫苗相关推文测试数据上的分类准确率均超过79%(分别为82%、81%、86%、79%、85%)。再一次，预训练的变压器在嵌入tweet方面被证明是有效的，这使得训练自定义分类网络变得简单。

hbm阳性标签百分比按周绘制图4查看与面具相关的推文和图5和6与疫苗相关的推文。在图4-6， HBM阳性标签百分比是通过将HBM标签的原始计数除以根据口罩或疫苗相关关键词过滤的covid -19相关推文的总原始计数来计算的。由于这些计算的性质，分析和比较综合自图4-6侧重于个体HBM标签变化的方向，而不是变化的幅度。此外，个体HBM标签百分比的大小没有在HBM标签类别之间进行比较。

‎ 查看此图

‎ 查看此图

‎ 查看此图

与掩码相关的Tweet结果

图4显示HBM标签百分比。美国按周的确诊病例被添加到第二个y轴上，竖线内的字母代表了一系列事件，这些事件可能有助于解释美国政府和《美国管理医疗杂志》相关消息来源提供的数字波动。病例数数据来自《纽约时报》COVID-19数据GitHub存储库[34]。

感知到的利益和感知到的障碍往往与行动线索相对应，例如官方政府或公共卫生指导或政策(图4）.随着美国COVID-19病例的起伏，人们认为戴口罩的好处在2020年的大部分时间里都是如此，直到11月中旬和1月初疫苗可用为止。这一观察得到了一项具有统计学意义(PSpearman相关系数为0.686。在2月至3月中旬期间，人们认为戴口罩的好处最低，戴口罩的障碍超过了好处。在世卫组织宣布大流行以及世卫组织建议卫生保健工作者和病人戴口罩后，益处首次突破了障碍，但没有持续戴口罩。当世卫组织宣布COVID-19可通过空气传播以及疾病预防控制中心于4月初开始建议戴口罩时，戴口罩的情况再次更加稳定。在世卫组织改变对佩戴口罩的立场后，效益显现得最为迅速。2月至3月中旬是感知障碍的最高水平。根据2月24日至3月1日根据感知障碍分类的前5条转发，“停止购买口罩，把它留给医护人员”的想法是转发最多的5条转发中的4条的内容。转发量最高的推文与世卫组织关于公众佩戴口罩的初步立场非常吻合[21以及对所显示的行动的更高的感知障碍图4．虽然世卫组织直到6月5日才改变对公共场合佩戴口罩的官方立场，但美国疾病控制与预防中心于4月3日首次建议戴口罩，第一个州(新泽西州)于4月10日开始强制要求戴口罩。感知到的益处逐渐呈上升趋势，并在7月下旬和10月和11月达到峰值，与美国病例数的每个峰值相对应，并在大部分时间内超过了感知到的障碍。在11月美国总统大选前后和美国感恩节假期到来之前，人们对福利的感知一直呈上升趋势。随着2019冠状病毒病病例数在2020年11月下旬达到最高水平，出现了最低的感知障碍和最显著的收益差异。表4列出在时间框架内的一些主要事件和行动线索图4．

与感知到的益处和感知到的障碍相比，感知到的严重程度和感知到的易感性对HBM的影响百分比要低得多。除大流行开始时外，感知到严重程度的总体比率往往略高于感知到易感性的比率。

与疫苗相关的推特结果

图5显示HBM标签百分比(HBM标签的原始计数除以为疫苗过滤的covid -19相关推文的总原始计数)。按周计算的美国确诊病例被添加到第二个y轴上，竖线内的字母代表一系列事件，这些事件可能有助于解释美国政府和世界卫生组织相关来源的数据波动美国管理式医疗杂志［35，36]。此外，从该地区收集了美国确诊病例数数据纽约时报COVID-19数据GitHub库[34]。图6着眼于美国疫苗剂量如何随HBM标签百分比的变化趋势。美国疫苗数据来自彭博Covid-19疫苗跟踪开放数据GitHub存储库[37]。

感知障碍和美国病例数在统计上显著(P=.03)， Spearman正相关为0.28。这意味着，随着美国病例数的增加，可感知的障碍也在增加。感知障碍和美国疫苗接种计数在统计上显著(P< 0.001)， Spearman负相关为-0.67。这意味着美国疫苗接种数量与感知障碍之间存在反比关系。所显示的结果不反映大小，而只是确定每个HBM结构的tweet的相对数量。

疫苗接种的感知障碍始终高于感知益处，但它们似乎没有像预期的那样呈相反趋势。与口罩调查结果一样，感知易感性和感知严重性所占的比例明显低于感知益处和感知障碍。与口罩的研究结果不同，感知到的障碍与感知到的好处没有交叉(图5和6）.对美国病例数的分析倾向于在2020年秋季至2021年冬季期间出现感知障碍。2021年，感知障碍的百分比稳步高于美国的病例数。疫苗接种障碍的最初高峰出现在疫苗可得性和分发的初期。尽管如此，它随后稳步下降，直到2021年3月初，当时疾病预防控制中心发布了指导意见，称完全接种疫苗的个人可以进行安全活动(3月8日)，拜登总统推动扩大所有18岁及以上成年人的疫苗接种资格(3月11日)。在2021年夏末秋初，学校恢复运营前后，疫苗接受障碍的最高水平达到顶峰。这种快速的趋势似乎与美国疫苗接种数量的最大下降相对应(图6）.第二大障碍增加发生在2020年12月下旬至2021年1月初的疫苗接种过程早期。感知效益直到2020年10月底至11月初才上升，当时疫苗效力已确定，然后在2021年呈趋势并保持相对稳定。

从2021年3月中旬到4月中旬，疫苗接种率继续稳步攀升，但感知到的障碍也继续上升和下降。总体疫苗接种数量在4月中旬稳步下降，接近疾病预防控制中心和食品和药物管理局(FDA)建议暂停强生(Johnson & Johnson)疫苗(4月13日)的时间，尽管这些限制在10天后(4月23日)被取消，但疫苗接种数量仍在继续。尽管FDA在5月初(5月4日)正式扩大了12-15岁青少年疫苗的可用性，但疫苗接种率仍在继续下降。当时，直到6月1日，疫苗接种率再次攀升。观察到接种疫苗剂量与获得疫苗接种的感知障碍之间呈负相关。也就是说，随着剂量的增加，感知障碍减少。在这段逆相关期间，世卫组织宣布了COVID-19 Delta变体的担忧(5月11日)，接种疫苗的青少年发现了心脏问题(5月24日)，政府允许雇主要求接种COVID-19疫苗(6月1日)，并在美国进行了研究新英格兰医学杂志表明辉瑞公司的疫苗没有那么有效(7月21日)从2021年6月到9月，关于疫苗障碍的讨论继续增加，而病例数也在增加，给药剂量也在下降。表5列出在时间框架内的一些主要事件和行动线索图5和6．

讨论

主要研究结果

随着COVID-19的出现，出现了全球范围的信息大流行，即关于COVID-19的信息过多和错误信息。2020年2019冠状病毒病在公共卫生方面的一个中心信息主题是通过保持社交距离和戴口罩来控制其传播，包括增加可快速分发的疫苗。2021年2019冠状病毒病的一个持续主题是努力通过分发疫苗和继续采取某种程度的预防措施(例如，居家令、口罩强制要求和某些企业或其他环境的能力限制)来结束大流行。然而，社交媒体在创造信息大流行方面发挥了重要作用[21]。这些社交媒体影响与美国大流行初期对COVID-19的政治和个人反应密切相关，并且似乎一直持续到整个[38]。尽管在信息大流行期间，一些社交媒体研究指出了关于COVID-19的低可信度内容的影响[3.]，但在了解可信度较高的内容(主要来自知名来源)对COVID-19健康信念的影响方面做得较少。本研究利用社交媒体调查了美国与covid -19相关的推特帖子，以了解在信息大流行中与戴口罩和接种疫苗相关的健康信念。我们还从著名的大流行宣言(例如，世卫组织和疾病预防控制中心)中探索了关于戴口罩和疫苗的外部行动线索，以及展示预防行为的显著例子(例如，总统戴口罩)及其与健康信念的可能关联，正如HBM结构所解释的那样。了解社交媒体信息对COVID-19健康观念和预防行为的影响，对于紧急情况下的信息管理具有重要意义。

首先，与戴口罩的感知益处和感知障碍相关的健康信念似乎最受外部行动线索的影响。此外，随着时间的推移，它们倾向于反向弱镜像。也就是说，讨论戴口罩的好处越多，讨论的障碍就越少。这些发现与其他HBM研究一致，特别是在学生药剂师中[39]。尽管之前关于COVID-19口罩佩戴信念的研究指出，感知严重性的影响[40]，在本研究中，对COVID-19的感知易感性和感知严重程度远不那么突出。尽管有许多引人注目的行动线索，如重大公告、COVID-19病例数或COVID-19死亡人数，但随着时间的推移，这种情况仍然相当一致。这与早期关于健康信念在HBM背景下影响口罩佩戴的假设形成对比[41]。无论如何，在这项研究中，对疾病易感性和严重程度的看法似乎是沉默的，大概是因为世界范围内的大流行可能与大多数地方的大多数人明显相关。另一种可能的解释是，一场持续和迅速变化的大流行的即时性往往不会讨论患病的严重程度和严重性，但似乎强调了行为(即口罩和疫苗)和采取行动的重要性。

戴口罩的好处和障碍随着时间的推移而变化，有时会出现剧烈的波动，似乎与具体的主要行动线索一致。采取行动的最重要或最一致的线索是，从2020年3月到12月，美国病例总数的上升和下降带来了明显的好处。在世卫组织(6月5日)建议正式佩戴口罩之前，人们就已经认识到佩戴口罩的好处，这一事实进一步证实了这一观察结果。尽管美国疾病控制与预防中心和其他消息来源要求不要囤积口罩，以便卫生保健工作者和其他病人可以获得口罩，但佩戴口罩的好处仍在继续。

第二重要的行动线索包括，某些信息提示的时机可能会让人们暂时意识到戴口罩的好处。例如，在世卫组织于2020年6月建议戴口罩的同时，感知到的好处达到了顶峰;世卫组织在7月中旬要求科学家修改指导方针，承认空气传播;7月中旬，人们看到特朗普总统首次戴口罩[35]。相比之下，当世卫组织和美国疾病控制与预防中心发出相互矛盾的信息，敦促人们不要在大流行早期使用口罩，或者发布了关于疫苗将在2020年底立即可用的信息时，其他类型的信息提示可能导致人们认为戴口罩的障碍增加。因此，从这些数据中确定的戴口罩行动的最大线索主要是美国病例数的上升，其次是促进戴口罩很重要的健康信念的偶发信息。这些观察到的行为线索并不反映因果关系，但这项研究的发现得到了其他人最近提出的观点的证实[42]。

其次，本研究中关于疫苗接种的健康信念发现证明了行动线索和4种HBM结构的几个重要含义。与戴口罩类似，与疫苗接种的感知益处和感知障碍相关的健康信念似乎受到特定行动线索的影响，并且随着时间的推移往往相互反向反映，而不像戴口罩那样明显。在1月1日之前，关于感知疫苗障碍的推特对话普遍增加，然后下降并趋于平缓。这些趋势往往先于并反映了美国确诊的COVID-19病例数和死亡人数，这表明在这些高峰时期，几项引人注目的公告(行动线索)可能会产生影响。尽管马来西亚以前的HBM调查研究表明存在可感知的障碍，如疫苗效力、安全性、可负担性和副作用[19]，这项研究的发现似乎更多地与疫苗获取有关。从紧急使用(12月11日)开始，新冠病毒疫苗在推特上的对话障碍开始急剧增加，直到白宫宣布使用储备物资(1月4日)和政府承诺提供疫苗分配资金(1月6日)后才达到顶峰。

与这项戴口罩的研究结果相比，疫苗接种Twitter对话的独特之处在于，关于感知益处的讨论总是低于感知到的障碍趋势，尤其是在大流行后期。感知障碍反映了与疫苗接种相关的困难、挑战、阴谋、负面影响、危险和感知的无效。一种可能的解释是，随着大流行的出现，由于这些因素，与疫苗相关的对话变得更加复杂。这种复杂性可能涉及我们研究之外的因素，如政治不信任、相互矛盾的信息等。推特上的对话似乎集中在这种疾病相对于口罩的可能性以及这种行为的好处上，但接种疫苗的障碍使接种疫苗的好处变得复杂。

接种疫苗的数量随着感知严重性和感知易感性讨论的高峰达到顶峰(4月4日)。这些发现与HBM一致，表明当疾病威胁增加时，人们的行为会发生变化，感知严重性和易感性增加。有趣的是，尽管在3月4日，关于疫苗接种的感知利益和感知障碍的讨论量几乎跨越，但对利益的讨论仍然高于对障碍的讨论。然而，总的来说，从3月1日开始的各种行动线索似乎影响了健康观念，并最终影响了疫苗行为。这有助于表明，了解个人对covid -19预防行为的看法，以应对来自这些高可信度来源的各种行动线索，对于帮助管理信息大流行至关重要。今后，公共卫生官员可以通过使用传统的风险沟通方法更好地管理信息并积极影响健康信念和疫苗行为[43]。例如，通过宣布早期发现、对已知和未知保持透明、尊重公众关切和提前规划，重点建立信任，这可能是从COVID-19大流行中吸取的重要经验教训，特别是在应对疫苗接种方面[44]。

限制

本研究有几个局限性。首先，正如研究目的论证中所指出的，研究结果主要是探索性的，应该在此背景下进行解释。需要进一步的研究来进一步证实高调提示对行动和HBM结构的影响，理想情况下采用某种形式的病例对照或实验设计。其次，尽管在本分析中使用了公开可用的Twitter数据，但这些数据是从Twitter应用程序编程接口(API)返回的tweet子集中收集的。因为没有办法知道与整个tweet相关的子集的大小，或者Twitter用于创建子集的抽样方法，因此存在潜在的偏差。第三，由于与covid -19相关的推文被过滤了疫苗或口罩，因此感知的易感性和感知的严重性结构可能被最小化。中的HBM构造定义也可以对其进行描述表1和2，强调COVID-19本身。无论如何，过滤戴口罩和接种疫苗的推文可能无意中降低了与HBM进行COVID-19对话的易感性和严谨性，因为大多数这些COVID-19对话往往侧重于感知到的好处和感知到的障碍。第四，未来的研究可以使用适合于短文本文档(如推文)的主题建模技术，以更好地理解与HBM相关的口罩、疫苗和COVID-19的主题。此外，未来的研究可能会具体探讨哪些社交媒体信息、沟通渠道和声音对与covid -19相关的预防健康信念影响最大。第五，虽然本研究的结果有几种解释，但我们并没有试图建立因果关系。未来的纵向研究可以探索因果关系的问题。

结论

在大流行期间，专家们为预防COVID-19提出了积极的建议[21，22，24，45]。在COVID-19大流行和信息大流行期间，本研究使用机器学习方法探索与戴口罩和接种疫苗建议相关的健康信念，以及高调行动提示的可能影响。研究结果表明，尽管推特上的某些健康信念似乎对各种高调的行动暗示做出了反应，但戴口罩和接种疫苗之间的健康信念趋势是不同的。