原始论文
文摘
背景:公共卫生机构广泛采用社交媒体对健康和风险沟通。此外,不同的平台有不同的功能,这可能影响质量和消息传递的性质以及公众参与的内容。然而,这些平台效应并不是经常比较研究健康和风险沟通,而不是以前的COVID-19大流行。
摘要目的:本研究措施Twitter和Facebook的潜在的媒体影响公共卫生信息设计和参与通过比较消息元素和观众参与COVID-19-related职位地方,州,联邦公共卫生机构和美国在大流行期间,推进公共卫生信息理论在社会媒体和定制的社交媒体传播策略提供建议。
方法:我们从美国主要检索所有COVID-19-related文章相关联邦机构卫生和传染病,所有主要的国家公共卫生机构,选择当地公共卫生部门在Twitter和Facebook上。有关COVID-19共有100785个职位,96年从179个不同的账户机构,检索了整个2020年。我们采用了框架的社会媒体消息元素分析的帖子在Facebook和Twitter。手册内容的分析,我们子样品1677个职位。我们计算的流行各种消息元素在整个平台和评估了统计学意义上的差异。我们还计算和评估股票的消息元素规范化措施之间的联系,喜欢对Facebook和Twitter。
结果:消息元素的分布在很大程度上类似的在两个站点。然而,政治人物(P<措施),专家(P= . 01)和非政治性的个性(P= . 01)更多出现在Facebook帖子相比Twitter。信息图(P<措施)、监视信息(P<措施),和某些多媒体元素(例如,超链接,P<措施)在Twitter上更普遍。总的来说,Facebook帖子收到更多(规范化)喜欢(0.19%)和(规范化)股份(0.22%)相比,推特喜欢(0.08%)和股票(0.05%)。元素在Facebook上更大的参与包括expressives和集体,而文章更在Twitter上与相关政策。科学信息(如科学解释)Facebook占8.5%(73/851)和9.4%(78/826)的推文。调节剂的错误信息只出现在1.2%(11/851)的Facebook和Twitter帖子1.4% (12/826)。
结论:一般来说,我们发现Twitter消息和用户的数据和政策取向和本地和个人取向为Facebook,跨平台虽然也有许多相似之处。消息元素影响跨平台订婚是相似的,但有一些明显的差别。本研究提供的新证据的差异COVID-19公共卫生在社交媒体网站消息,推进公共卫生知识的沟通社交媒体和建议对健康和风险沟通策略在这些网上平台。
doi: 10.2196/40198
关键字
介绍
背景
社交媒体已经成为不可或缺的工具,用于公共卫生信息和全球健康和风险信息的在线交流
- - - - - - ]。截至2021年,在美国,72%的成年人和84%的人年龄在18岁至29岁的年说,他们使用至少1社交媒体网站( , )和网站广泛采用公共卫生机构( , , ]。社交媒体、公共健康信息用户可以共享,达到扩大消息。公众也可以像和评论机构信息,和机构可以直接回复公开评论。虽然有机会对公共卫生信息在这些网站上,也有挑战。这些网站错误信息的来源,尤其是关于COVID-19流行病[ , , 和反疫苗的宣传 , ]。危害健康的有针对性的营销产品,如电子烟( ),也有问题。然而,考虑到他们的患病率,公共卫生机构需要了解这些网站,以更好地促进健康的动力学行为。有足够的研究社交媒体使用公共卫生机构(
, , , , ]。然而,研究通常进行一个网站或另一个,Facebook或者Twitter。虽然还有许多在其他领域的研究探索不同的功能或特征不同的社交媒体网站( - - - - - - ),很少有研究用户参与公共卫生信息( , ),没有实际的分析,公共卫生机构发布的消息在社会媒体平台。尽管缺乏这样的比较研究,重要的是要理解媒体的影响,或者至少跨站点的差异。广泛研究经常使用术语“社交媒体”当他们只研究一个平台。然而,鲜明的差异在一些平台上现在好研究[ - - - - - - ),有一个明确的呼吁解决社交媒体功能在健康传播研究[ ]。这项研究小说对文学的贡献通过比较公共卫生信息和观众参与跨两种最流行的平台在公共卫生交流。公共卫生信息设计和观众参与
公共卫生信息在社交媒体上的研究都集中在两大领域:(1)内容和目的消息(2)观众(或用户)订婚的消息。消息内容的分析都集中在“主题”,如“闭包”,“风险因素”,“更新”“放心”,和其他各大流行和危机上下文(
, ),包括COVID-19大流行( , ]。分析消息的目的已经讨论的目标“通知”,“行动呼吁”[ ),增加“自我效能感”( ),“战斗”错误信息 ),和其他人。然而,缺乏规范化的消息设计元素和小考虑更客观的文本元素的消息,包括相关内容,如演讲者、听众,和类型的图像信息。为克服此缺点,在这项研究中,我们采用了一个框架文本消息和媒体设计元素识别各种目标特征text-focusing的内容,而不是在多个健康的目的可能是有用的和风险沟通场景和相关研究 ]。观众或用户参与社交媒体平台通过通常是正式的就像按钮,一个分享按钮,一个评论的内容或计数功能,这是附加到消息。Facebook还提供其他情感或反应表达正式的按钮和数量(即爱,护理,哈哈,哇,悲伤的,愤怒的)。尽管社交媒体对消息的反应可能不直接与实际行为意图或行为变化,分析的参与公共利益提供了一些见解和接受的消息
),因此可以帮助改善信息策略和信息设计,别人称为循证科学传播( ]。有一个缺点是过度依赖用户参与社交媒体沟通的最终目标,因为用户参与度是偏向积极的情绪或冲动含量高 , , ]。然而,这些指标至少提供一些健康促进的质量或成功的证据和信息活动在这些平台上,可以用来增加消息到达( ]。对健康的影响和风险信息平台
尽管社交媒体文学研究认识到不同意——函数或行动的可能性(
]-这些技术,先前的研究在COVID-19缺乏消息元素的研究最受欢迎的平台:Facebook和Twitter [ , ]。尽管他们是相似的,Facebook和Twitter分享一些重要的差异。在Facebook上,连接是双向的,称为“朋友。“在推特上,他们是单向的;个人不得跟随别人而不被他们紧随其后。这使得Twitter更公开、开放的平台。然而,Facebook是一个更受欢迎的网站,一个市场,事件日历,页面可以单向之后 ]。在Facebook和Twitter,个人可能会使文章,包括文本、超链接、照片或视频,但一个帖子的文本长度是280个字符限制在Twitter上。他们都有一个newsfeed显示用户和帖子的朋友,或者,该组织是由平台算法( ]。在实践中,Facebook比Twitter所有人群更广泛采用(
]。Twitter已经被用来作为“新闻媒体”[ 和与政治新闻 ]。Twitter已经发现更用于公共信息( ),而Facebook用于“共享身份”( 和“社会互动” ),与更高水平的隐私关注和结合社会资本( ]。最近的一项研究用户参与禁烟消息发现消息主题(例如,健康/外观/上瘾,钱,或家庭)没有影响点击率(CTR)的消息,但是Facebook最高和最低CTR水平和平均点击率数据高于相同的消息在推特上( ),这表明用户在Facebook上通常与多用户在Twitter上。然而,推特上的信息有较高的网站点击率比任何其他平台,表明Twitter用户更有可能去和滚动的网站联系信息( ]。文学因此支持Facebook的概念随着越来越多的社会互动平台,而Twitter的更多的是一种新闻平台。研究目标和总结
在这项研究中,我们的目标是评估公共卫生信息的差异设计元素和观众参与的各种消息元素在Twitter和Facebook上关于COVID-19在1年的大流行。因此,我们提出以下研究问题(rq):
- RQ1。公共卫生信息设计元素如何在Twitter和Facebook上有何不同?
- RQ2。观众参与公共卫生消息元素如何在Twitter和Facebook上有何不同?
在下面几节中,我们描述了研究的方法,结果,讨论有关文献,为更有针对性地提供以证据为基础的政策建议健康传播策略。
方法
数据收集和采样
我们确定了11个主要在美国联邦卫生机构与感染预防和控制(
重大公共卫生机构),每个美国50个州的(+华盛顿特区),和主要当地公共卫生机构的最大的市/县50个州。然后我们寻找这些机构的官方账户在Twitter和Facebook,以及他们自己的网站上。并不是所有的最大的市/县公共卫生机构的州有一个Facebook或Twitter的存在。从机构确定的名单,我们检索所有COVID-19-related文章生成的2020年。这段时间使消息的分析从一开始就通过几波大流行。然后我们寻找下列字符串在任何地方的所有鉴定机构的职位:ncov,covid,电晕,流感大流行,或冠状。来检索这些职位,我们使用标准的Twitter应用程序编程接口(API)和Facebook API通过Crowdtangle [ ]。注意,术语“职位”和“消息”互换使用。除非另有规定,“后”这一术语指的是原来的职位而不是转发(共享职位)或回复(在其他帖子的评论)。在Twitter上,我们确定了11个联邦帐户(共有COVID-19-related原始文章和转发),48个国家账户(共有40716个职位和转发),和33个本地账户(共有20164个职位和转发)相匹配的标准。在Facebook上,我们发现了10个联邦账户(共有3592个职位),49个国家账户(共有34930个职位),和38个本地账户(共有14356个帖子)匹配的标准。在Facebook上,更难区分原始文章从共享的帖子;这些数据只是报道Facebook包括。这个数据集的所有COVID-19-related文章从2020年被称为所有鉴定机构人口数据集。
手册内容的分析,我们用分层随机抽样方法抽样900个帖子来自Twitter和900个帖子从Facebook帖子的数量由机构水平成正比(即当地、州和联邦)样本数据集。抽样的基本原理是基于类似的研究和手工代码生成可控数量的帖子。例如,路透社等[
]分析了总共1275戒烟健康信息发布在社交媒体平台上,和Slavik等 ]501条用于内容分析加拿大公共卫生机构的在推特上的消息。我们应该注意,Facebook,采样策略只关注帖子,少于340个字符(包括相对较长的超链接)。这是旨在提供一个数据集更类似Twitter帖子,这是限制在280个字符(超链接可能缩短)。后删除nonrelated帖子,回复帖子,和共享的帖子,或者帖子没有任何明显的内容,我们的最终样本数据集由1677(93.2%)的文章(826年49.3%,原始的推文和851年50.7%,原始Facebook帖子)编码。对于Twitter而言,这包括82名联邦职位(9.9%),482(58.4%)状态的帖子,262(31.7%)当地的帖子。Facebook,这包括60联邦职位(7.1%),560(65.8%)状态的帖子,231(27.1%)当地的帖子。 介绍了采样账户。编码框架
我们适应现有的框架
]分析健康和风险沟通社交媒体消息元素。文本分析的框架是基于理论( , , )和社交媒体研究健康和危机沟通( , , , ),包括图像使用在风险沟通 ]。这些跨学科研究在健康传播,卫生信息学,危机沟通文学。框架侧重于消息相比更客观抽象的元素(如“公开和透明的信息”[ ])和隐喻性的(如“错误信息”( ])类别使用的文学或假设一切都是“框架”或“主题” , ]。在这个框架由信息的元素文本和媒体元素。该框架将消息元素集成到8个主要维度:语音功能,主题,威胁的焦点,类型的资源,观众,演讲者,修辞策略,媒体。每一个维度包括更细粒度的消息功能(或元素)。 和 介绍定义和例子的文本和媒体元素,分别。框架并不详尽,可以减少或扩大,。是构思的相对较短的社交媒体的帖子,因为分析关注的是从句或句子层面,因此较长的文档将在很大程度上更复杂的分析。进一步的细节提供了框架和元素 。文本元素 | 定义 | 例子 | |
语音功能 | |||
代表 | 条款声明的形式,描述行为,状态,或事件 | “# COVID19可以传播那些没有症状的人” | |
指令 | 一个句子引导、命令或命令一个动作,特别是通过一个祈使句 | “继续戴着面具”或“献血”。 | |
问题 | 一种修辞问题或问题提示 | “你是找工作吗?我们正在招聘!” | |
富有表现力的 | 表达情绪的消息发言人(如悲伤、升值) | “谢谢你,# EMS英雄,小强” | |
请求 | 请求参与研究、志愿者或手段达到一个机构 | “打电话给我们在这个数字的问题” | |
主题 | |||
保护 | 如何预防或治疗的信息这一问题 | “消毒的东西你和你的家人经常联系” | |
政策 | 操作、政策或项目的官员,政府机构或相关的实体 | “坚实县几乎是准备重新开放学校。” | |
监测 | 关于发病率统计数据或数据(如病例/死亡) | “昨天,有85新死亡” | |
科学 | 描述或解释了原因,问题的机制,或症状 | “没有证据表明生产可以传输# COVID19” | |
紧急 | 事件的紧急问题或当前的工作重点 | “旅行者:\ ' T书空中旅行到纽约几天” | |
资源类型 | |||
互动 | 交互式服务,如问答(问答)政策制定者或观看直播 | “FDA将主办一个虚拟市政厅在3 d印刷拭子” | |
材料 | 测试网站,金融援助,提供疫苗 | “疫苗接种网站使用我们的地图找到位置。” | |
纠正 | 修正的谣言、错误信息或指向相关资源 | “沃伦死亡之前报道是不正确的,并已被删除。” | |
重点和观众 | |||
集团 | 是指人群(如成人,拉美裔)或脆弱人群 | “癌症患者在这些严重疾病高危COVID19感染。” | |
二次 | 的后果或问题直接相关的主要问题 | “许多人感到压力,因为# COVID19。” | |
其他语言 | 消息或消息用另一种语言的一部分,包括手语 | ”德尔# COVID19 en是加州:“ | |
演讲者 | |||
外部 | 从另一个机构专家或员工 | “疾控中心的负责人会说话…” | |
政治 | 市长,州长,或其他政治人物 | “看市长的更新…” | |
专家 | 专家或机构的工作人员 | “自己的Elinore博士将讨论危机” | |
个性 | 非政治性的或非政府的个性,包括名人或者社区成员 | ”胡安蓝鹰俱乐部谈到COVID19” | |
修辞 | |||
集体 | 注重集体的术语来描述一个问题或解决这个问题 | “我们需要做的部分战斗Covid-19” | |
强调 | 句子解释点或与所有大写指令 | “戴上面具!” | |
积极的 | 积极的框架机构的行动 | “我们正在进步越来越疫苗” | |
比喻 | 使用隐喻来解释问题的科学或预防 | “瑞士奶酪呼吸道病毒防御” |
媒体元素 | 定义 | 例子 |
超链接 | 长或短的web URL | https://twitter.com/..。 |
标签 | 之前任何一项#符号 | # COVID-19 # WearAMask |
Text-in-image | 图像与额外的文本不包含在文本消息的一部分 | 请参见下面的例子。 |
插图 | 插图以外的图像至少使用一个表和颜色 |
|
照片 | 一个人的照片,对象,或场景 |
|
信息图表 | 图像传递数据或说明指令(覆盖插图) |
|
视频 | 一个视频嵌入到消息中 |
|
内容分析
手册的内容分析由二进制编码为每个元素的存在或缺乏。随着类别的定义变得明显,一些定义的本质做了一些类别相互排斥,尤其是在每个文本或媒体维度。例如,一个问题是,根据定义,不是一个代表而不是一个富有表现力的。这些编码规则进行了总结
和 并进一步详细 。随机训练样本150个帖子(75年,50%来自Twitter和75年,50%,从Facebook)首次检索训练和分类发展。使用这些150个职位,在培训期间,3作者更新和定义消息类别。一旦训练完成,3作者独立开始编码子样品的20%样本数据集,至少2程序员double-coded相同的帖子来计算科恩κ统计评分者间信度(IRR)。
获得IRR措施后,程序员讨论结果。在这一点上,结果并不完美,在编码存在差异,需要协调。特别是,有问题代表和请求语言功能,外部扬声器和一些修辞维度。例如,它是不清楚形象口号,如“COVID-19新闻更新,”被认为是代表句子。我们最终达成一致所示的定义
,但是IRR结果最终不是完美的所有类别。κ值提供了 。IRR分析后,我们讨论问题识别的类别,然后更好的定义和缩小的规则最终编码的数据。在存在差异的情况下,程序员,和类别修改,我们审查基于修正的数据定义和获得程序员之间的协议。然后我们开始代码将剩余的数据。每个独立编码器编码约450的帖子,产生最终的样本数据集的统计分析1677个帖子。统计分析
中移动来解决我们的第一,我们计算每条消息元素的分布在Twitter和Facebook上然后相比这总通过一个独立的跨平台2-sample z检验比例,在零假设假定每个消息元素的比例等于在两个平台上。尽管Z-tests预计正常分布,和社交媒体现象是出了名的不是正态分布,鉴于大多数消息元素的相对较大的样本,我们发现它合理应用Z-tests [
]。中移动来解决我们的第二个,我们实施观众参与的归一化频率的喜好和分享。其他研究已经使用CTR来衡量观众参与(
),看似nonnormalized推计数( ),粉丝和回归模型,和其他维度,控制( ]。路透社等使用的CTR测量( )我们的研究是不可能的,因为我们不可能访问消息点击或实际消息的看法(total_views领域提供的Facebook API并不可靠,包含缺失的数据;没有这样的措施是Twitter API提供的)。我们的方法比回归模型更简单,但是考虑到对一个问题的关注,跨机构的随机抽样数据和时间,和规范化程度的喜欢和股票基于机构的粉丝数量,我们的方法提供了一个健壮的和容易理解的方法来测试之间的关联信息特性和观众参与。我们计算的标准化喜欢(问米)喜欢的数量每条消息“m”的粉丝数量除以账户发布消息。问米是该机构的追随者的百分比数,喜欢这个消息。虽然Facebook包括观众engagement-namely的额外的积极和消极措施爱,护理,哈哈,哇,悲伤的,愤怒的这些不在本地语言的一部分米测量更可比较的单一就像Twitter的功能。尽管我们考虑和分析了Facebook的措施的负面情绪,更多的就是悲伤和愤怒,似乎这些过于复杂的研究和最终的范围,因为我们的目的是比较Facebook和Twitter的元素。本研究只关注喜欢和分享在Facebook和Twitter上,这两种类型的积极参与。一般来说,在这项研究中,参与指的是“喜欢”或“共享”一个信息。
类似于标准化的喜欢,我们创建了一个规范化的股份(NS米每个消息“m)。“NS米测量,比较喜欢,可以更直接的考虑扩散率(
]或重传率( 的消息(或消息元素),因为它是由用户直接共享网络。虽然消息不仅喜欢追随者或共享的一个账户,一个帐户的追随者的大小在很大程度上影响该帐户的总参与职位( ]。方程的规范化和标准化的措施提供了分享 。对于每个消息元素,然后我们计算意思是NS和意思是问所有消息中包含的元素,没有包含它的所有消息,并比较这两组通过2-tailed independent-samples Wilcoxon-Mann-Whitney (WMW)测试中,由于数据的偏态和类似的研究已经接近它
]。我们考虑和讨论P≤。05显著。结果
数据集的细节
显示了最终样本描述性统计人口数据集与数据集COVID-19-related职位。机构账户的列表在示例 。所示 ,当地、州和联邦机构做了一个相当数量的Facebook和Twitter帖子(这些措施不包括股票或转发)。一般来说,每个账户,政府机构更活跃在比当地和联邦机构发布。例如,在facebook上人口statistics-state账户712帖子每个账户(34930总贴子49账户),而本地账户377帖子每个账户(14356总贴子38账户),和联邦账户359帖子每个账户(3592总帖子10账户)。结果相对类似Twitter。
显示了计算均值和差的追随者,分离为当地联邦,机构账户(基于样本数据集)。有着很强的变化在当地、州和联邦机构分布的追随者和平台。不足为奇的是,联邦机构账户最追随者,比当地机构和政府机构有更多的追随者,平均。联邦机构都更受欢迎(即有更多的追随者)在推特上,而政府机构都在Facebook上更受欢迎。当地机构也同样受欢迎的在Facebook和Twitter上。一般来说,有大变化最高四分位数的分布。这个盒子的详细数字情节中可以找到 。
地方,n / n (%) | 状态,n / n (%) | 联邦、n / n (%) | 所有,n / n (%) | |
Facebook账户 | 32/38 (84.0) | 48/49 (98.0) | 9/10 (90.0) | 89/97 (92.0) |
Twitter账户 | 29/33 (88.0) | 45/48 (94.0) | 9/11 (82.0) | 83/92 (90.0) |
Facebook帖子总 | 231/14,356 (1.6) | 560/34,930 (1.6) | 60/3592 (1.7) | 851/52,878 (1.6) |
Twitter帖子总 | 262/15,421 (1.7) | 482/27,866 (1.7) | 82/4620 (1.8) | 826/47,907 (1.7) |
一个统计数据是最终的样本数据集用于内容和人口统计分析与数据集的所有COVID-19-related帖子从2020年的所有帐户确认。
平台对信息设计的影响
显示每条消息的总数元素编码样本数据集数量的帖子元素出现,分别为Facebook和Twitter。 还提供了结果2-tailed z检验而跨平台比例是否相等。结果表明,大多数跨平台特性用于类似的程度。这些结果提供了一些有效性的概念,这些消息功能确实是部分的公共卫生和风险沟通社交媒体更广泛。然而,我们也发现了一些统计上显著的差异在2个网站。积极的z分数表明更高的使用Twitter上;负分数表明更高的使用在Facebook上。
显示了显著或多或少地使用的消息元素在Facebook或Twitter上,相对于酒吧,识别文章中的每个消息元素的比例出现了。外部,政治,专家演员,连同视频,照片,其他语言,更频繁地使用Facebook的特性比Twitter发布的帖子。政策,指令,信息图表,监测,超链接,和标签功能更频繁地使用Twitter与Facebook。个性和积极的不包含在框架的特性 由于较低的样本大小。然而,政策图中,尽管意义边界。
消息元素 | Facebook, n (%) | Twitter, n (%) | z分数 | P价值 | ||
语音功能 | ||||||
代表 | 755 (88.7) | 722 (87.4) | -0.83 | .41点 | ||
指令 | 344 (40.4) | 374 (45.2) | 2.01 | .04点 | ||
问题 | 107 (12.5) | 96 (11.6) | -0.60 | 55 | ||
富有表现力的 | 79 (9.2) | 77 (9.3) | 0.03 | .98点 | ||
请求 | 28日(3.2) | 38 (4.6) | 1.40 | 。 | ||
主题 | ||||||
保护 | 391 (45.9) | 395 (47.8) | 0.77 | 无误 | ||
政策 | 292 (34.3) | 321 (38.8) | 1.93 | 0。 | ||
监测 | 160 (18.8) | 222 (26.8) | 3.94 | <措施 | ||
科学 | 73 (8.5) | 78 (9.4) | 0.62 | 53 | ||
紧急 | 39 (4.5) | 26日(3.1) | -1.52 | 13。 | ||
资源类型 | ||||||
互动 | 192 (22.5) | 175 (21.1) | -0.68 | 报 | ||
材料 | 112 (13.1) | 112 (13.5) | 0.24 | 结果 | ||
纠正 | 11 (1.2) | 12 (1.4) | 0.28 | 尾数就 | ||
重点和观众 | ||||||
集团 | 85 (9.9) | 113 (13.6) | 2.34 | 02 | ||
二次 | 73 (8.5) | 59 (7.1) | -1.09 | 低位 | ||
其他语言 | 42 (4.9) | 25 (3.0) | -1.99 | .04点 | ||
演讲者 | ||||||
外部 | 153 (17.9) | 86 (10.4) | -4.43 | <措施 | ||
政治 | 89 (10.4) | 28日(3.3) | -5.68 | <措施 | ||
专家 | 66 (7.7) | 39 (4.7) | -2.56 | . 01 | ||
个性 | 17 (1.9) | 5 (0.6) | -2.51 | . 01 | ||
修辞 | ||||||
集体 | 123 (14.4) | 105 (12.7) | -1.04 | .30 | ||
强调 | 103 (12.1) | 81 (9.8) | -1.50 | 13。 | ||
积极的 | 12 (1.4) | 23日(2.7) | 1.97 | 0。 | ||
比喻 | 5 (0.5) | 2 (0.2) | -1.10 | 低位 | ||
媒体 | ||||||
超链接 | 485 (56.9) | 597 (72.2) | 6.54 | <措施 | ||
标签 | 392 (46.0) | 613 (74.2) | 11.76 | <措施 | ||
Text-in-image | 387 (45.4) | 343 (41.5) | -1.63 | .10 | ||
插图 | 235 (27.6) | 258 (31.2) | 1.63 | .10 | ||
照片 | 196 (23.0) | 170 (20.5) | -1.22 | 口径。 | ||
信息图表 | 101 (11.8) | 149 (18.0) | 3.55 | <措施 | ||
视频 | 130 (15.2) | 83 (10.0) | -3.21 | <措施 |
平台对观众参与的影响
和 显示观众参与消息包含每一个特定的功能,相比那些没有功能分开计算,Facebook和Twitter的规范化的喜好和规范化的股份。总的来说,Facebook有更高的参与度比Twitter的用户。此外,Facebook用户使用股价比喜欢更频繁,而Twitter用户喜欢比他们更频繁。Facebook帖子,平均而言,是喜欢0.19%的账户的追随者,而在推特上,平均而言,帖子被0.08%的账户的追随者,喜欢Facebook喜欢高2.25倍的差异。关于分享,Facebook帖子,平均而言,共享帐户的追随者的0.22%,而在推特上,平均而言,帖子被0.05%的账户共享追随者,这是超过4.4倍的差异。然而,这些措施不包括其他形式的参与在Facebook上(例如,爱,护理),正如前面所讨论的方法。
为所有消息的平均归一化喜欢提供特性相比没有它,P值WMW测试比较这2套。例如,在Facebook的样本,平均0.16%(计算的)账户的粉丝喜欢消息包含一个代表喜欢,而0.26%的消息不包含代表。因此,在Facebook上,并未包含一个完整的消息代表是喜欢多的消息。然而,这不是一个统计上的显著差异(P= 22)。然而,在Twitter上,平均0.08%的账户的追随者喜欢消息包含一个代表,0.05%的人喜欢没有包含它的消息,这是一个显著差异(P<措施)。
提供平均归一化的股票特性和那些没有它,所有消息P值WMW测试比较它们之间的差异。结果在这里同样可以解释为结果 。
显示消息的元素 和 有重要联系的增加或减少规范化喜欢和股票。 显示增加/减少的百分比与包含消息的相关元素。Expressives和使用集体框架有关的信息是更喜欢在两个平台上。监测信息以及信息图也喜欢紧密相关,而与股票在Facebook和Twitter上。引用材料相关资源,令人惊讶的是,通常是用更少的在两个平台上都喜欢和股票。我们推测这可能是由于重复帖子测试和疫苗网站编码材料。虽然政治数据更多出现在Facebook和Twitter上相比,他们与更少的参与在这两个平台上,特别是Facebook。请求在Facebook上特别受欢迎但在Twitter上不显著。调节剂和策略信息与更高的参与在Twitter上有关但不那么不明显在Facebook上。
消息元素 | 脸谱网 | 推特 | ||||||||||||
与特性 | 没有功能 | P价值一个 | 与特性 | 没有功能 | P价值一个 | |||||||||
语音功能 | ||||||||||||||
代表 | 0.16 | 0.26 | 口径。 | 0.08 | 0.05 | <措施 | ||||||||
指令 | 0.20 | 0.15 | . 01 | 0.07 | 0.09 | <措施 | ||||||||
问题 | 0.26 | 0.16 | .04点 | 0.05 | 0.08 | <措施 | ||||||||
富有表现力的 | 0.28 | 0.16 | <措施 | 0.10 | 0.08 | <措施 | ||||||||
请求 | 0.52 | 0.16 | 0。 | 0.06 | 0.08 | 收 | ||||||||
主题 | ||||||||||||||
保护 | 0.18 | 0.17 | 点 | 0.08 | 0.08 | 02 | ||||||||
政策 | 0.19 | 0.17 | 03 | 0.09 | 0.07 | .20 | ||||||||
监测 | 0.13 | 0.18 | 02 | 0.12 | 0.07 | <措施 | ||||||||
科学 | 0.14 | 0.18 | .41点 | 0.05 | 0.08 | 。08 | ||||||||
紧急 | 0.14 | 0.17 | 点 | 0.25 | 0.07 | 06 | ||||||||
资源类型 | ||||||||||||||
互动 | 0.17 | 0.17 | .20 | 0.07 | 0.08 | .04点 | ||||||||
材料 | 0.05 | 0.19 | <措施 | 0.05 | 0.08 | <措施 | ||||||||
纠正 | 0.18 | 0.17 | 报 | 0.41 | 0.07 | 03 | ||||||||
重点和观众 | ||||||||||||||
集团 | 0.16 | 0.17 | <措施 | 0.04 | 0.09 | <措施 | ||||||||
二次 | 0.13 | 0.18 | 13。 | 0.06 | 0.08 | . 01 | ||||||||
其他语言 | 0.10 | 0.18 | 07 | 0.02 | 0.08 | <措施 | ||||||||
演讲者 | ||||||||||||||
外部 | 0.13 | 0.18 | 07 | 0.06 | 0.08 | 13。 | ||||||||
政治 | 0.12 | 0.18 | . 01 | 0.06 | 0.08 | 。08 | ||||||||
专家 | 0.17 | 0.17 | 06 | 0.06 | 0.08 | 点 | ||||||||
个性 | 0.22 | 0.17 | . 01 | 0.06 | 0.08 | .30 | ||||||||
修辞 | ||||||||||||||
集体 | 0.27 | 0.16 | <措施 | 0.10 | 0.08 | 04 | ||||||||
强调 | 0.29 | 0.16 | 04 | 0.08 | 0.08 | .10 | ||||||||
积极的 | 0.41 | 0.17 | 点 | 0.10 | 0.08 | 点 | ||||||||
比喻 | 0.41 | 0.17 | .09点 | 0.02 | 0.08 | 点 | ||||||||
媒体 | ||||||||||||||
超链接 | 0.15 | 0.20 | <措施 | 0.07 | 0.10 | <措施 | ||||||||
标签 | 0.19 | 0.16 | 收 | 0.07 | 0.10 | . 01 | ||||||||
Text-in-image | 0.17 | 0.17 | . 01 | 0.09 | 0.07 | .002 | ||||||||
插图 | 0.10 | 0.20 | 03 | 0.06 | 0.09 | 点 | ||||||||
照片 | 0.21 | 0.16 | 。08 | 0.07 | 0.08 | <措施 | ||||||||
信息图表 | 0.20 | 0.17 | <措施 | 0.12 | 0.07 | <措施 | ||||||||
视频 | 0.21 | 0.17 | 07 | 0.07 | 0.08 | .09点 |
一个P值参考Wilcoxon-Mann-Whitney测试平均归一化比较喜欢的文章包含与不包含功能,分别为Facebook和Twitter。
消息元素 | 脸谱网 | 推特 | |||||
与特性 | 没有功能 | P价值一个 | 与特性 | 没有功能 | P价值一个 | ||
语音功能 | |||||||
代表 | 0.20 | 0.16 | . 01 | 0.06 | 0.03 | <措施 | |
指令 | 0.17 | 0.21 | 低位 | 0.05 | 0.06 | <措施 | |
问题 | 0.22 | 0.19 | .10 | 0.04 | 0.06 | .003 | |
富有表现力的 | 0.29 | 0.19 | 06 | 0.07 | 0.05 | 06 | |
请求 | 0.53 | 0.18 | 只要 | 0.05 | 0.06 | 点 | |
主题 | |||||||
保护 | 0.16 | 0.23 | 03 | 0.05 | 0.06 | .002 | |
政策 | 0.16 | 0.21 | 04 | 0.06 | 0.05 | .04点 | |
监测 | 0.25 | 0.18 | <措施 | 0.09 | 0.04 | <措施 | |
科学 | 0.15 | 0.20 | 36 | 0.04 | 0.06 | 0。 | |
紧急 | 0.28 | 0.19 | .04点 | 0.12 | 0.05 | 03 | |
资源类型 | |||||||
互动 | 0.30 | 0.17 | 点 | 0.05 | 0.06 | .35点 | |
材料 | 0.05 | 0.22 | <措施 | 0.04 | 0.06 | 。45 | |
纠正 | 0.18 | 0.20 | 29 | 0.18 | 0.05 | .19 | |
重点和观众 | |||||||
集团 | 0.12 | 0.20 | 措施 | 0.03 | 0.06 | <措施 | |
二次 | 0.33 | 0.18 | .19 | 0.04 | 0.06 | . 01 | |
其他语言 | 0.09 | 0.20 | 16 | 0.02 | 0.06 | 措施 | |
演讲者 | |||||||
外部 | 0.10 | 0.22 | .04点 | 0.05 | 0.06 | 只要 | |
政治 | 0.07 | 0.21 | <措施 | 0.02 | 0.06 | . 01 | |
专家 | 0.07 | 0.21 | 点 | 0.03 | 0.06 | 02 | |
个性 | 0.08 | 0.20 | 。31 | 0.03 | 0.06 | . 21 | |
修辞 | |||||||
集体 | 0.20 | 0.19 | 07 | 0.07 | 0.05 | 陈霞 | |
强调 | 0.44 | 0.16 | .04点 | 0.06 | 0.05 | 。31 | |
积极的 | 0.22 | 0.20 | 点 | 0.05 | 0.06 | .40 | |
比喻 | 1.63 | 0.19 | 低位 | 0.01 | 0.06 | .14点 | |
媒体 | |||||||
超链接 | 0.14 | 0.26 | .003 | 0.05 | 0.06 | 。08 | |
标签 | 0.26 | 0.14 | .37点 | 0.05 | 0.06 | .04点 | |
Text-in-image | 0.24 | 0.16 | <措施 | 0.07 | 0.05 | <措施 | |
插图 | 0.15 | 0.21 | .40 | 0.05 | 0.06 | 13。 | |
照片 | 0.11 | 0.22 | <措施 | 0.04 | 0.06 | <措施 | |
信息图表 | 0.26 | 0.19 | <措施 | 0.09 | 0.05 | <措施 | |
视频 | 0.10 | 0.21 | . 01 | 0.04 | 0.06 | . 01 |
一个P价值观指Wilcoxon-Mann-Whitney测试比较均值归一化股票的帖子包含与不包含功能,分别为Facebook和Twitter。
讨论
主要研究结果
本研究分析了1677个COVID-19-related帖子在Facebook和Twitter上,公共卫生机构在美国,2020年,发现异同点在整个使用这些网站的影响力和受欢迎程度的信息设计元素和观众参与。我们的结果表明,Facebook帖子收到喜欢2.25倍和4.4倍的股票,一般来说,比在Twitter上的帖子。然而,在每一个平台,接收到的消息的比例比喜欢在facebook股票账户的追随者,喜欢或共享message-whereas在推特上,措施更喜欢分享。
我们的结果表明,推特上的信息,Facebook相比,更多关注监测信息(例如,数据和统计信息的威胁),策略信息,信息图,超链接。此外,联邦机构更活跃、更流行的Twitter与Facebook,而当地和国家机构在Facebook上更活跃、更受欢迎。我们还观察到Facebook上的信息,与推特相比,有更多的引用政治人物、公共卫生专家,(非政治性的)个性(例如,个人故事或当地的名人)演讲者的消息。由此,我们可以得出结论的一种数据和政策对于Twitter和方向地方和个人取向Facebook。
我们观察到的数据(如信息图,监测数据)和政策Twitter上的信息与观众参与度有显著正关联但不都在Facebook上,进一步表明该数据和政策描述为Twitter。尽管Facebook平台的政治人物和健康专家更强调演讲者的信息,通常这种个性化和高订婚都没有联系网站。然而,我们观察到照片往往是人,和修辞元素,例如集体框架(例如,“我们在一起”),积极的框架(例如,“我们正在我们最好的”),和强调(如感叹号),这可能会引发情绪和人际关系,获得更多的或者更多的观众参与在Facebook上而不是在推特上或者根本不一样。这进一步表明,本地和Facebook的个人取向。
消息设计元素的分布在很大程度上是相似的在两个平台上,提出了公共卫生信息的一致性,但一些重要的差异2研究社交媒体网站。结果也显示重要的信息元素之间的关联和观众参与,一些预期的跨平台和惊人的差异。在一般的健康和风险沟通场景中,我们可能会因此认为Twitter的数据和政策取向,而Facebook则更多的地方和个人取向的内容,主要遵循文学在社会媒体功能。
与现有文献集成
先前的研究已经检查Facebook与Twitter的特点2主要的社会媒体网站在美国和在当今世界。一般来说,研究支持Twitter的概念更多的是一种“新闻媒体”[
, 为“信息传播”[] )和“迅速通知” ),而Facebook更“共同身份,”“照片”( ),和“社会互动”( ),与焊接相关的更多的社会资本( ]。这个Twitter和Facebook之间的区别通常解释为每个站点的具体功能( , ),这可能与它的一些技术特点,比如更开放的单向网络Twitter与Facebook的双向网络( ]。研究还表明网站的某些技术特性(例如,专注于视觉图像)可能会导致整体较高的观众参与( , ]。在这项研究中,我们没有分析是否某些平台特性引起的使用特定消息元素或特定的信息特性是否造成了或多或少的参与。然而,我们的研究结果普遍支持现有的文献表明Facebook,而更大、更受欢迎的在美国成年人,有更多的地方和个人取向,与社会交往密切相关。相比之下,Twitter是更积极的和联邦机构的受欢迎的网站,与当地和国家机构相比,内容和Twitter上的接触点的数据和政策取向。最终,我们观察到的相似性在Facebook和Twitter消息元素和观众参与,表明社交媒体政策和实践的标准化机构和平台,以及Facebook和Twitter用户参与度的相似之处。
健康传播政策的贡献
本研究为政策建议提供了一些证据在社交媒体上健康传播策略。这些建议都是基于这项研究的结果,这是关注COVID-19沟通的开始和多个波大流行期间在2020年。公共卫生机构和进一步的研究需要评估是否这些是有效的为更广泛的上下文。
建议1
对公共卫生机构使用Facebook,我们建议谨慎使用时的政治人物和外部专家信息,而不是强调非政治性的或非政府的个性,如当地的名人或普通的人有一个特别的故事。我们也看到一个更大的机会或者至少继续使用情感表达的信息和使用集体帧生成更大的积极参与。
Facebook上我们的结果显示,与Twitter相比,更侧重于强调政治人物,以及内部和外部专家。然而,政治人物和外部专家一般都在Facebook上与更少的接触。个性,包括名人或普通人(例如,一个真实的社区的孩子),在Facebook上明显与更大的接触,但出现在Facebook上的几篇文章中(2%)。最终,使用expressives(即表达情感)和集体框架(例如,使用集体代词和关注集体问题)在Facebook上与特别好。
建议2
对公共卫生机构使用Twitter,我们建议谨慎使用超链接和标签在推特上的消息如果目标是增加消息喜欢和整体消息扩散,但建议继续使用监测信息和信息图。此外,我们建议更加重视信息包含紧急问题(如紧急或及时的信息),和调节剂的使用地址错误,因为这些都不是普遍,但与更大的积极参与。
我们的结果表明,推特上的信息,Facebook相比,更侧重于政策和监测信息,包括更多的超链接和标签相比,在Facebook上的消息。由于标签文本建设在推特上开始流行,这并不奇怪。然而,标签和超链接一般都在推特上用更少的接触有关。监测信息和信息图,然而,通常是与更大的参与在Twitter上有关。紧急问题和调节剂,在Twitter上与特别好。然而,调节剂包含在少数的tweet (1.4%)。考虑到社会媒体是一个错误的一部分危机
),或infodemic( , ),重要的是要考虑如何解决公共卫生机构错误信息在这些环境中。建议3
对公共卫生机构使用平台,我们建议谨慎使用的图像信息,包括照片、插图,和视频,因为这些都是媒体类型与少接触跨两个平台。然而,包括text-in-image是一个合理的建议,因为这些都是跨平台与更大的接触。
一般来说,我们的结果表明,并不是所有类型的图像同样参与。在这两个平台上,照片是用更少的股票显著相关,而信息图通常是与更大的股份,喜欢。尽管插图与更少的喜欢和相关股票在这两个平台上,这对Facebook喜欢只有负面影响显著。图表关于大流行订婚就越在这两个平台上,但他们也很大程度上普遍。因此,大量的使用这些特性在这种情况下很可能足够了。最后,text-in-image普遍更喜欢和股票在推特上和大分享在Facebook上,强调文本的重要性和语义内容的视觉内容。
局限性和未来的工作
本研究旨在展示公共卫生机构建设在Facebook和Twitter的消息和用户如何应对这些信息同样或不同的平台。消息的控制方面的话题,我们只专注于COVID-19-related消息。COVID-19也是一个主要的健康和风险的问题,我们可以期望在中国公共卫生机构沟通约2020年。然而,关注COVID-19将限制的程度我们可以概括这些发现对健康和风险沟通更广泛。此外,可以改善使用的统计检验的回归模型,评估和控制其他变量对观众参与。然而,我们随机抽样技术,多个类型的机构和一整年,帮助我们推广和有信心的结果。
健康传播者应该考虑社会媒体算法本身是有问题的,因为他们导致回音室效应(
和偏向活跃用户 ]。因此观众参与社交媒体本身应该被认为是小心。文献一般指向社交媒体接触是由情感含量高( ),外群体的敌意( ],fear-arousing轰动效应( ]。因此获得更多接触并不总是适当的健康和风险的传播者。此外,有机会,社会媒体在政府可以用于政治目的 , ]。因此,未来的研究可能推进这项工作通过检查质量接触的跨平台、政治问题在公共卫生交流,和检查评论性质的公共卫生信息。有几篇文章的个性出现在Facebook(17/851, 1.9%)和Twitter (5/826, 0.6%)。我们可以因此不正确评估这个消息元素参与的影响。然而,名人和个人故事可以积极影响健康行为,进一步研究在此背景下(
, ]。此外,恐惧诉求的分析,区分或多或少的信息(或科学)消息,或者使用讲故事,可以有所改善。一些消息功能需要更好的提高可靠性定义,包括代表和请求。代表的类别,其结果应该谨慎考虑,因为它是最广泛类别的框架和κ很低。总的来说,未来的研究可能获得从炼油框架类,进一步检查使用的名人或个人故事,和恐惧诉求之间的关系或其他修辞策略在不同的水平和用户参与的质量。结论
一般来说,我们发现Twitter消息和用户的数据和政策取向和本地和个人取向为Facebook,虽然在两个平台上也很多相似之处。影响订婚消息元素是相似的在两个平台上,但有一些明显的差别。本研究提供的新证据COVID-19公共卫生信息在社交媒体上的差异,推进健康传播研究和对健康和风险沟通策略的建议。
的利益冲突
没有宣布。
账户和κ值采样。
多克斯文件,38个KB
详细描述和编码规则的框架。
多克斯文件,562 KB
样本统计和分析。
多克斯文件,21个KB引用
- 疾病控制和预防中心(CDC)。危机和紧急风险沟通(仅)。2018年。URL:https://emergency.cdc.gov/cerc/[2022-11-09]访问
- 萨克雷R,那个提单,伯顿SH,萨克雷的CR。分析的目的国家卫生部门的微博:信息共享、参与和行动。J地中海互联网Res 2013 11月11;15 (11):e255 [免费的全文][CrossRef][Medline]
- 侯问,赵Y,苏X,荣R,原地年代,崔Y使用新浪微博微博告知健康意识的发展和传播材料Zika病毒传播,中国,2016 - 17所示。《公共科学图书馆•综合》2022年1月27日,17 (1):e0261602 [免费的全文][CrossRef][Medline]
- 希勒E,麦莎k .新闻使用在社交媒体平台上2018年。2018年。URL:https://www.pewresearch.org/journalism/2018/09/10/news-use-across-social-media-platforms-2018/[2022-11-10]访问
- 休斯,Wojcik s 10关于美国人的事实和Twitter。2022。URL:https://www.pewresearch.org/fact-tank/2019/08/02/10-facts-about-americans-and-twitter/[2022-11-10]访问
- Alonso-Canadas J, Galan-Valdivieso F, Saraite-Sariene L, Caba-Perez c .致力于健康:关键因素来提高用户的在线参与通过Facebook。Int J围住Res公共卫生2020年3月11日;17 (6):1814 (免费的全文][CrossRef][Medline]
- 萨顿J, Renshaw SL,屁股CT。COVID-19:重传的官方通信在一个新兴的大流行。《公共科学图书馆•综合》2020;15 (9):e0238491 [免费的全文][CrossRef][Medline]
- 斯年代,侯赛因MM, Mazumder COVID-19 h .谣言和错误信息的影响在社会媒体。J:公共卫生2020可能;53 (3):171 - 174免费的全文][CrossRef][Medline]
- 艾哈迈德·W Vidal-Alaball J,唐宁J,洛佩兹Segui 5 g f . COVID-19和阴谋论:社会网络分析Twitter的数据。J地中海互联网Res 2020可能06;22 (5):e19458 [免费的全文][CrossRef][Medline]
- 莱昂B, Martinez-Costa MP, Salaverria R, Lopez-Goni即健康和科学相关造谣COVID-19:内容分析的恶作剧在西班牙发现了事实。《公共科学图书馆•综合》2022;17 (4):e0265995 [免费的全文][CrossRef][Medline]
- 詹金斯MC,莫雷诺。父母在社交媒体上的疫苗接种讨论:育儿博客评论的内容分析。J卫生Commun 2020年3月03;25 (3):232 - 242。(CrossRef][Medline]
- 埃尔南德斯RG,哈根L,沃克K,奥利里H, Lengacher c COVID-19疫苗社交媒体infodemic:医疗服务提供者的错过剂量处理错误信息和疫苗踌躇。哼菌苗Immunother 2021年9月02;17 (9):2962 - 2964 (免费的全文][CrossRef][Medline]
- 路透社K,威尔逊毫升,莫兰M, N, Angyan P, Majmundar, et al .大众参与禁烟公共卫生信息在多个社交媒体网站:比较分析。JMIR公共卫生Surveill 2021年2月19日,7 (2):e24429。(CrossRef]
- Kothari, Foisey L, Donelle L,鲍尔m .加拿大公共卫生机构如何回应COVID-19紧急使用社交媒体:案例研究使用的协议内容和情感分析。BMJ开放2021年4月22日,11 (4):e041818 [免费的全文][CrossRef][Medline]
- Slavik CE、做仆役长C, Sturrock SL,达林顿JC, Yiannakoulias n .检查微博内容和参与加拿大公共卫生机构和决策者在COVID-19:混合方法分析。J地中海互联网Res 2021年3月11日;23 (3):e24883 [免费的全文][CrossRef][Medline]
- 卖TK, Hosangadi D, Trotochaud m .错误信息和美国埃博拉沟通危机:分析社会媒体信息的真实性和内容相关的恐惧的传染病暴发。BMC公共卫生2020可能07;20 (1):550免费的全文][CrossRef][Medline]
- 杨K, Pierri F,回族P,阿克塞尔罗德D, Torres-Lugo C,布莱登带领一个J, et al。COVID-19 infodemic: Twitter和Facebook。大数据Soc 2021 05; 8 (1): 205395172110138。(CrossRef]
- Oz M,郑P,陈g . Twitter和Facebook:比较粗鲁,无礼,审议属性。:新媒体与社会。CA:千橡市圣人;2017:3400 - 3419年12月31日。
- Halpern D, Valenzuela年代,Katz j .我们面临我推特:不同的社交媒体如何影响政治参与通过集体和内部有效性。J Comput-Mediat Commun 2017; 22 (6): 336。(CrossRef]
- 楚K, Sidhu AK,瓦伦特太瓦。电子卷烟营销网络:一个多站点,多产品的比较。公共卫生JMIR Surveill 2015; 1 (2): e11 [免费的全文][CrossRef][Medline]
- 埃里克森M,奥尔森大肠Facebook和Twitter在危机沟通:危机沟通专家和市民的比较研究。J突发事件危机等2016年6月13日,24 (4):198 - 208。(CrossRef]
- Shane-Simpson C, Manago Gaggi N, Gillespie-Lynch k .为什么大学生喜欢Facebook, Twitter,或者Instagram ?网站功能,隐私和自我表达之间的紧张关系,对社会资本的影响。2018 9月第一版哼Behav; 86:276 - 288。(CrossRef]
- Nikolinakou,国王千瓦。病毒视频广告:情感触发病毒营销和社交媒体。Psychol马克2018年7月24日,35 (10):715 - 726。(CrossRef]
- Spiliotopoulos T,奥克利即探索的动机和行为在Facebook和Twitter。J系统正工艺2020年7月13日,22 (2):201 - 222。(CrossRef]
- 莫雷诺,德安杰洛j .社交媒体干预设计:应用一个确定相应的框架。J地中海互联网Res 2019 3月26日,21 (3):e11014 [免费的全文][CrossRef][Medline]
- 刘B,金正日美国如何组织框架通过社会和传统媒体:2009年甲型H1N1流感大流行的影响对美国健康传播者。公共遗传代数牧师2011年9月,37 (3):233 - 244。(CrossRef]
- 陆伦M, J, Sheldenkar,舒尔茨p战略使用Facebook zika病毒爆发交流:影响危机风险和应急通信模型。Int J围住Res公共卫生2018 9月10;(9):1974 (免费的全文][CrossRef][Medline]
- 王Y,郝H,普拉特LS。检查风险和危机沟通的政府机构和利益相关者在早期COVID-19在Twitter上。人类Behav 2021年1月第一版;114:106568 [免费的全文][CrossRef][Medline]
- Vos SC,萨顿J,于Y, Renshaw SL,奥尔森可,吉布森CB, et al .转发风险沟通:威胁和功效的作用。风险肛门2018 12月06年;38 (12):2580 - 2598。(CrossRef][Medline]
- 恩-瓦贝,Nasralah T, Al-Ramahi M, El-Gayar o .矿业医生的意见社交媒体获得洞察COVID-19:混合方法分析。JMIR公共卫生Surveill 2020年6月18日,6 (2):e19276 [免费的全文][CrossRef][Medline]
- 哈根DePaula N, L, Roytman年代,戴森D, Alnahass D,帕特尔M,等。一个框架的社会危机和风险沟通的媒体信息:covid-19大流行的研究。2022发表于:55夏威夷国际会议系统科学(HICSS);2022;虚拟的。(CrossRef]
- Leppert K,硝酸钠,Korać美国公民参与的角色的情绪通过社交媒体——警察部门使用Twitter的研究。政府正问2022年7月,39 (3):101686。(CrossRef]
- DePaula N, Dincelli大肠信息策略和情感反应:公民与政府社会媒体内容。FM 2018 4月01;23 (4)。(CrossRef]
- 皮尤研究中心。社交媒体简报》2021。URL:https://www.pewresearch.org/internet/fact-sheet/social-media/[2022-11-10]访问
- Cinelli M, De Francisci莫拉莱斯G, Galeazzi, Quattrociocchi W, Starnini回音室对社交媒体的影响。《美国国家科学院刊年代2021年3月02,118 (9):e2023301118 [免费的全文][CrossRef][Medline]
- 月球公园李夸克H, C, H, s .什么是Twitter,社交网络或者新闻媒体?2010发表于:19国际会议上万维网(WWW 2010);2010年4月26 - 30日,;罗利,数控。(CrossRef]
- 夏皮罗,Hemphill l .政客和政策议程:使用twitter的由美国国会直接的纽约时报的内容吗?政策网络2017;9 (1):109 - 132。(CrossRef]
- 林H,邱l两个网站,两个声音:语言差异Facebook的状态更新和twitter。编辑:劳PLP。跨文化设计。文化差异在日常生活中。CCD 2013。课堂讲稿在计算机科学中,第8024卷。柏林,海德堡:施普林格;2013:432 - 440。
- Voorveld火腿,范Noort G, Muntinga DG,布朗f .参与社交媒体和社交媒体广告:平台的微分作用类型。J广告2018年2月13日,47 (1):38-54。(CrossRef]
- 感染控制和流行病学专业协会。美国政府卫生机构:功能相关的感染预防和控制》2008。URL:https://apic.org/Resource_/TinyMceFileManager/Advocacy-PDFs/outline_of_govt_health_agencies.pdf[2022-11-10]访问
- 英里c .关于我们:学习更多关于CrowdTangle。URL:http://help.crowdtangle.com/en/articles/4201940-about-us[2022-11-10]访问
- Fairclough n分析论述:社会研究的文本分析。英国伦敦:劳特利奇;2003年。
- 范DT。话语和知识:Sociocognitive方法。英国剑桥:剑桥大学出版社;2014年。
- Vos SC,科恩大肠在健康和风险信息网络使用图片。Oxf Res Encycl Commun 2017年8月22日:网上。(CrossRef]
- Vos SC,萨顿J,吉布森CB、屁股CT。#埃博拉:紧急风险信息社会媒体。卫生安全内核2020年12月01;18 (6):461 - 472。(CrossRef][Medline]
- 豪厄尔。统计方法的心理学。波士顿,MA:沃兹沃思Cengage学习;1994年。
- Renshaw年代,梅,杜布瓦E,萨顿J,屁股c .切断噪声:预测成功的在线消息重传COVID-19流行的前8个月。卫生安全内核19 (1):2021;31-43 [免费的全文][CrossRef][Medline]
- DePaula N, Fietkiewicz KJ, Kaja J, Froehlich TJ,百万AJ, Dorsch我,等。对社交媒体的挑战:错误信息,言论自由、公民参与和数据规则。信息科学技术协会学报2018;55 (1):665 - 668。(CrossRef]
- Fagerland兆瓦。t、非参数测试和大型研究,统计实践的一个悖论?BMC医学Res Methodol 2012 6月14;12 (1):78免费的全文][CrossRef][Medline]
- 公园、汉族,金正日J, Molaie MM, Vu高清,辛格K, et al . COVID-19话语在Twitter上的四个亚洲国家:案例研究的风险沟通。J地中海互联网Res 2021年3月16日;23 (3):e23272。(CrossRef]
- Papakyriakopoulos O,塞拉诺JCM Hegelich s .政治沟通在社交媒体上:一个故事推荐系统的活跃用户和偏见。在线Soc Netw媒体2020年1月,15:100058。(CrossRef]
- Keib K, Espina C,李Y, Wojdynski BW,崔D,爆炸h。想象这样一幅图景:情感效价的影响图像,在关注,选择,和分享社交媒体的新闻。媒体Psychol 2017 10月05;21 (2):202 - 221。(CrossRef]
- Rathje年代,Van Bavel JJ,范德林登美国外群体仇恨驱使参与社交媒体。《美国国家科学院刊年代2021年6月29日,118 (26):e2024292118 [免费的全文][CrossRef][Medline]
- 阿里•K Zain-ul-abdin K,李C,约翰L,阿里AA, Carcioppolo n .病毒病毒:fear-arousing煽情社会媒体信息对用户参与度的影响。2019年Sci Commun可能03;41 (3):314 - 338。(CrossRef]
- DePaula联合国支持的原因:分析政府机构如何使用Twitter标签。信息科学技术协会学报2018;55 (5):788 - 789 (免费的全文][CrossRef]
- DePaula n .政治意识形态和信息技术在政府在线交流. .政府信息季度2022 8月20:e101747。(CrossRef]
- Sillence E,马丁·r·讨论决定:名人健康声明的促进效应在在线个人经历的沟通决策。卫生Commun 2020年11月,35 (12):1447 - 1454。(CrossRef][Medline]
缩写
API:应用程序编程接口 |
CTR:点击率 |
IRR:评分者间信度 |
中移动:研究问题 |
WMW:Wilcoxon-Mann-Whitney |
由T Purnat编辑;提交09.06.22;同行评议的C鲍尔,JB Del Rosario;评论作者28.07.22;修订版本收到27.08.22;接受08.09.22;发表20.12.22
版权©Nic DePaula Loni哈根,Stiven Roytman, Dana Alnahass。最初发表在JMIR Infodemiology (https://infodemiology.www.mybigtv.com), 20.12.2022。
这是一个开放分布式根据条知识共享归属许可(https://creativecommons.org/licenses/by/4.0/),它允许无限制的使用、分配、和繁殖在任何媒介,提供原工作,首次出版于JMIR Infodemiology,正确地引用。完整的书目信息,原始发布在https://infodemiology.www.mybigtv.com/上的链接,以及这个版权和许可信息必须包括在内。