这是一篇根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布的开放获取文章,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR公共卫生和监测上的原创作品。必须包括完整的书目信息,https://publichealth.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。
COVID-19大流行导致公共卫生当局必须立即进行危机沟通。与许多其他国家一样,在德国,人们选择包括推特在内的社交媒体来获取关于大流行及其后果的实时信息和了解。在德国的推特COVID-19危机传播之初,病毒学家和科学传播者等专家的地位仅次于当局。
这项研究的目的是发现在大流行的第一年,公共当局和个人专家在推特上进行COVID-19危机沟通方面的异同。
对2020年1月1日至2021年1月15日发布的8251条原创推文进行了描述性分析和定量内容分析。21名权威人士和18名专家的新冠肺炎相关推文被分为结构、内容、风格三个部分。使用负二项回归来评估推文传播,以转发和点赞数衡量与covid -19相关的推文。
描述性统计数据显示,在研究期间,当局和专家越来越多地在推特上谈论COVID-19。两名专家和一名权威机构负责70.26%(544,418/774,865)的转发,因此代表了COVID-19的影响者。总之,专家发布的COVID-19推文转发率高出7倍(
推特数据是一个强大的信息源,适合在德国进行危机沟通。COVID-19推特活动反映了德国COVID-19病例的发展。推特用户转发和点赞专家有关COVID-19的信息的次数多于官方发布的信息。当推文直白时,当局和专家的覆盖率更高;当推文直接针对民众时,当局的覆盖率更高。对于当局来说,在新冠疫情期间似乎很难得到认可。对于所有被研究的利益相关者,关注者数量和转发数量之间的关联是高度显著的正相关(权威机构
SARS-CoV-2病毒的发生和正在进行的COVID-19大流行使危机沟通成为必然。在各国,人们使用社交媒体作为关于大流行发展的信息来源[
关于COVID-19的科学出版物数量巨大,包括几项调查在推特等社交媒体平台上传播COVID-19危机的研究。在COVID-19大流行之前,也对通过Twitter进行危机沟通进行了研究。例如,调查调查了Twitter上关于危机沟通的数据,重点是健康危机[
推特危机传播研究表明,不同的利益相关者,如科学家、政府当局和政治家,以及卫生保健专业人员,在COVID-19期间发了更多推特[
2011年日本地震后,政府的危机沟通和领导力在Twitter上既不清晰也不明显[
在这种背景下,这项研究的目的是描述和分析德国当局和专家发布的与covid -19相关的推文。这似乎是一项必要的任务,因为COVID-19是第一个由专家直接用数字方式解释和讨论的健康危机,因此,它与当局的官方危机沟通争夺关注和报道。作为我们感兴趣的变量,推文传播是通过转发数和点赞数来衡量的。为了比较利益相关者推文的内容,并解释推文的传播,比较了COVID-19推文的“结构”、“内容”和“风格”的内在信息特征。与结构相关的变量是那些捕捉推文是否由标签、图像、url和提及组成的变量。关于tweets的内容特征,Vos等[
数据集包括来自39个德国公共部门和专家的推文。选择39名德国当局和专家的依据是当局和专家在COVID-19危机期间的重要性及其在德国讨论中的可见性。此外,这些政府部门和专家也是Twitter的活跃用户。这些利益攸关方包括21名当局和18名专家。联邦卫生部和位于柏林的罗伯特·科赫研究所(RKI)也包括在内。专家组由病毒学家、科学传播者、医生和其他科学家组成。
通过作者的Twitter应用程序编程接口(API)帐户检索了39个Twitter帐户的推文。使用令牌,检索了所有利益相关者在2021年1月15日的时间表。使用RStudio (Windows版本1.31093)和其他代码包以及Excel for Microsoft 365 MSO进行数据分析。在创建Twitter账户时,用户要确认他们的推文是公开的,并且可以被第三方分析。
数据检索导致来自当局和专家的81455条推文。第一个包含81455条推文的数据集需要进一步调整。
PRISMA(系统评价和元分析的首选报告项目)推特数据调整步骤图。API:应用程序编程接口。
推文分析的时间框架设置为2020年1月1日至2021年1月15日,以捕捉大流行的第一个日历年。然而,由于德国在2020年12月底刚刚开始接种疫苗,关于疫苗接种的讨论正处于高潮,因此时间框架被延长到1月15日。因此,作为第二步,数据集按时间进行了调整,只包括2020年1月1日至2021年1月15日的推文,用于分析大流行第一年的COVID-19危机传播,留下50,100条推文。
接下来,有必要过滤与covid -19相关的推文,并排除有其他内容的推文。为了实现这一目标,使用基于COVID-19关键字和标签的过滤词识别与COVID-19相关的推文。乍一看,当局和专家的推文似乎非常不同,因此对两组人使用了不同的过滤策略。当局的推文以标签和关键词为特征,因此对新冠肺炎推文进行了一次性过滤。新冠肺炎词汇和标签列表由1282个词汇和标签编制。这个列表包含了一系列与covid -19相关的词汇,包括不同的拼写(例如,“corona case”,“corona cases”)。
相比之下,专家们的推文很少使用标签和关键词。由于专家组的主要专长是COVID-19,因此假定这些推文大部分都与大流行有关;因此,新冠病毒推文在两个过滤步骤中被识别出来。在第一个过滤步骤中,使用与covid -19无关的单词和标签列表过滤与covid -19无关的推文,其中包含5789个与covid -19无关的单词(例如,“纳瓦尔尼”,“尼安德特人”)。通过这种方式,大多数COVID-19专家的推文都保留在样本中。在第二个过滤步骤中,使用COVID-19过滤器再次过滤被排除的专家的推文,以捕获一条推文中处理非COVID-19和与COVID-19相关主题的专家推文(例如,癌症和COVID-19)。总的来说,获得了35645条与covid -19相关的推文,其中14624条是由当局发布的,21021条来自专家。官方发布了13100条关于非covid -19主题的推文,而专家发布了1157条关于非covid -19主题的推文。完整的COVID-19和非COVID-19单词列表可以在
对于内容分析,本研究只关注原始推文。这些是利益相关者直接撰写和发布的推文,不包括回复、转发和引用,以及英语推文。因此,COVID-19推文随后被引用、转发和回复减少,留下8251条原始COVID-19推文用于内容分析。在这些关于COVID-19的原始推文中,5432条来自当局,2819条来自专家。最后一个过滤步骤是将数据缩减为原始推文,这表明专家们非常参与推特上的COVID-19讨论,在更广泛的数据集中,专家们的回复、引用和转发比例很高。
基于当局和专家在该时间段内发布的所有COVID-19推文文本语料库,我们首先分析了推文的描述性统计数据(如转发量和点赞量)。然后进行内容分析。德国当局和专家的推文以文本形式使用。对于解释推文传播的回归,转发数和点赞数被用作因变量。
一些解释推文转发数和点赞数的解释模型变量是根据之前的一项研究生成的[
四项内容类别:严重程度、疗效、易感性和以前研究的技术信息[
通过将推文中的单个单词与反映特定内容的单词列表进行比较,将推文分配到特定的内容类别。通过将推文单词与521个特定严重单词和标签列表进行比较,确定了一条推文是否包含严重信息。在COVID-19易感性的背景下,检测易感性的推文列表包含99个典型的单词和标签。功效词汇和标签列表包括451个典型词汇。技术信息推文是根据173个COVID-19技术信息单词和标签列表生成的。政治词汇表有124个单词和标签。由于单词列表的性质,推文可以同时分为不同的类别。中提供了所有类别的单词列表
对于风格固有的推文功能,我们再次遵循Vos等人[
由于可以预期,拥有许多粉丝的用户转发和点赞会更高,因此将粉丝数作为另一个解释变量。
负二项回归被用来解释推文的传播。负二项回归适用于因变量是一个计数变量,有许多零观测值。推文传播(即因变量)由转发数或点赞数来衡量。这些数据与推文一起被检索。在本研究的背景下,转发意味着39个利益相关者中的一个追随者重新发布了利益相关者的推文。因此,推文内容由所有转发该推文的用户分发。转发次数越多,原始推文的传播就越广。点赞数是衡量推文传播的第二个指标。点赞是受欢迎程度的一个指标。有人认为,转发反映了更多的参与度,因为与点赞相比,转发意味着更多的互动。 A retweet means that the user is sharing the stakeholder’s content with the possibility to comment. This is not the case for likes. Overall, four different regressions were executed: four negative binomial regressions to explain the number of retweets (and likes), separated by authorities and experts. For the retweet and like counts, the dependent variables did not follow a normal distribution and the variance exceeded the mean. The data can be regarded as overdispersed, and therefore the negative binomial regression was the best choice to explain the count variables.
文中给出了分析的Twitter利益相关者列表以及他们的关注和追随者数量的描述性统计数据
德国在一段时间内(2020年1月1日至2021年1月15日)发布的COVID-19推文数量(N=8251)。
值得注意的是,从2020年1月1日到2021年1月15日,关于COVID-19的推文数量与德国COVID-19病例的发展平行,包括样本期间的前两波(3月/ 4月和10月初)。COVID-19病例减少的时间也反映在推文数量上,2020年夏天的推文数量较少。这种效应,即推特活动和(COVID-19)发病率的并行性,已经在其他地方得到了记录[
描述性统计
专家平均拥有814名粉丝,是权威(671名)的1.21倍。虽然这些数字表明专家有一个更大的网络,但两组之间的追随者的平均值没有显著差异(t37= 0.54,
粉丝的数量在很大程度上超过了关注的数量。在权威机构中,RKI拥有最多的追随者,超过43万。在专家群体和整体中,专家E8拥有最大的粉丝网络,超过65万名粉丝(截至2021年1月15日)。马克斯·普朗克感染生物学研究所的追随者不足1000人。在专家组中,专家E1的粉丝数最少(1270)。专家的平均粉丝数为9万9059名,是权威的平均粉丝数(7万5817名)的1.31倍。然而,平均追随者的这种差异也不显著(t37= 0.52,
专家的转发频率是权威的7倍(7.03)。当局的推文平均被转发30.7次,而新冠病毒专家的推文平均被转发215.7次。利益相关者群体的平均转发量差异有统计学意义(
变量的描述性统计
变量 | 描述 | 权威(n=5432),平均值(最小值,最大值) | 专家(n=2819),均值(最小值,最大值) |
转发数 | 转发数的度量变量(负二项回归中的因变量) | 30.70 (0,9982) | 215.70 (0,8457) |
像数 | 点赞数的度量变量(负二项回归中的因变量) | 90.80 (0,44274) | 1257 (0,63,002) |
标签 | 结构虚拟变量,如果推文有标签,则为1 | 0.92 (0,1) | 0.19 (0,1) |
图片 | 结构虚拟变量,如果推文使用图像则为1 | 0.69 (0,1) | 0.17 (0,1) |
URL | 结构虚拟变量,如果推文使用URL则为1 | 0.71 (0,1) | 0.71 (0,1) |
提到 | 结构虚拟变量,如果推文带有提及,则为1 | 0.40 (0,1) | 0.24 (0,1) |
严重程度 | 内容虚拟变量,如果推文包含描述COVID-19严重程度的词语,则该虚拟变量为1 | 0.75 (0,1) | 0.52 (0,1) |
磁化率 | 内容虚拟变量,如果推文包含描述COVID-19易感性的词语,则该虚拟变量为1 | 0.22 (0,1) | 0.05 (0,1) |
功效 | 内容虚拟变量,如果推文包含描述功效措施的词语,则该虚拟变量为1 | 0.35 (0,1) | 0.28 (0,1) |
技术信息 | 内容虚拟变量,如果推文包含与技术病毒信息相关的单词,则该虚拟变量为1 | 0.04 (0,1) | 0.07 (0,1) |
社会 | 内容虚拟变量,如果推文包含描述COVID-19社会后果的词语,则该虚拟变量为1 | 0.13 (0,1) | 0.08 (0,1) |
政治 | 内容虚拟变量,如果推文包含描述COVID-19政治后果的词语,则该虚拟变量为1 | 0.11 (0,1) | 0.04 (0,1) |
其他 | 内容虚拟变量,如果一条推文包含一个不能归属于其他内容变量的词,则该虚拟变量为1 | 0.03 (0,1) | 0.31 (0,1) |
第一个人 | 如果推文使用第一人称,则样式哑变量为1 | 0.27 (0,1) | 0.44 (0,1) |
第二个人 | 如果推文使用第二人称,则样式哑变量为1 | 0.04 (0,1) | 0.06 (0,1) |
粉丝数 | 度量变量为每个Twitter用户的追随者数量 | 75,817 (971, 435,392) | 99059 (1270,657,292) |
追随者计数 | 度量变量为每个Twitter用户的关注数 | 671 (38,3424) | 813.90 (2,3293) |
考虑到危机传播中的顶级用户,之前的研究评估了单个用户转发的集中度。关于德国的COVID-19,两名专家和联邦卫生部负责所有转发的70.26%(544,418/774,865),这也是德国推特上COVID-19的影响者。
如在
在被研究的利益相关者之间,关于推文的内容也存在差异,在严重程度上观察到的差异最大。总体而言,75.00% (n=4074)的官方推文提到了COVID-19的严重程度,例如涉及症状,而专家推文中只有51.47% (n=1451)的推文被归类为严重程度。在22.22% (n=1207)的官方推特中,有提及COVID-19的易感性和地区信息的词语,而在专家推特中,只有4.68% (n=132)的情况如此。在功效信息方面,专家和权威人士的推文内容相似,分别有34.70% (n=1885)和27.49% (n=775)的推文包含该内容。包含病毒传播技术信息和引用科学发现的推文,专家(n=188, 6.66%)比当局(n=224, 4.12%)更频繁。
官方推文中提及新冠肺炎社会后果(n=719, 13.24%)和政治后果(n=617, 11.36%)的比例高于专家推文(n=225, 7.98%)和专家推文(n= 104, 3.68%)。内容类别“其他”指的是推文中不能被任何类别单词列表分类的单词,解释了观察到的差异:31.80% (n=896)的专家推文和只有3.73% (n=203)的权威推文与之前类别未捕获的内容相关。因此,专家们的推文要简单得多,也没有使用那么多清晰可见的关键词,他们更倾向于使用口语,而不是权威。一个例子是德国专家的推文“Sehr gut”(“非常好”),并附加了外部信息的链接。通过定量文本分析对这些推文进行分类是不可能的。综上所述,对结构变量的分析结果表明,当局在使用结构、标签和关键字方面做得更好。
专家和权威的推文在风格变量上也存在差异:26.82% (n=1457)的权威推文和43.70% (n=1332)的专家推文使用第一人称,而3.73%(203)的权威推文和5.57% (n=157)的专家推文使用第二人称。专家们使用第二人称的频率略高于权威人士,这表明他们与其他推特用户的互动更多。
相似计数回归的结果相似,显示在
负二项回归解释当局和专家的COVID-19推文转发数(N=8251条推文)。
变量 | 当局一个 | 专家b | |||||
|
IRRc |
|
|
IRR |
|
|
|
模型变量:常数 | 16.69 | 30.57 | <措施 | 71.95 | 61.37 | <措施 | |
|
|||||||
|
标签 | 0.64 | -6.92 | <措施 | 1.11 | 1.56 | 点 |
|
图片 | 1.06 | 1.32 | .19 | 1.06 | 0.87 | 38 |
|
URL | 0.82 | -4.81 | <措施 | 0.76 | -4.27 | <措施 |
|
提到 | 0.81 | -5.45 | <措施 | 0.73 | -5.27 | <措施 |
|
|||||||
|
严重程度 | 1.40 | 8.09 | <措施 | 1.18 | 3.34 | <措施 |
|
磁化率 | 1.02 | 0.46 | 主板市场 | 1.15 | 1.21 | 23) |
|
功效 | 1.34 | 8.63 | <措施 | 1.10 | 1.71 | .09点 |
|
技术信息 | 1.45 | 4.23 | <措施 | 1.00 | 0.06 | .95 |
|
社会 | 1.24 | 4.05 | <措施 | 1.27 | 2.69 | . 01 |
|
政治 | 0.71 | -6.12 | <措施 | 0.87 | -1.12 | 点 |
|
|||||||
|
第一个人 | 0.93 | -1.80 | 07 | 1.10 | 0.02 | 获得 |
|
第二个人 | 1.88 | 6.96 | <措施 | 1.03 | 0.23 | 总共花掉 |
其他:关注数 | 1.00 | 28.74 | <措施 | 1.00 | 25.99 | <措施 |
一个权威:-2 log-likelihood= -44365.18;赤池信息标准=44,395;零模型logistic回归
b专家:-2 log-likelihood= -33,752.49;赤池信息准则=33,782;零模型logistic回归
cIRR:发病率比。
权威和专家的回归常数均为显著正。第一组解释变量包括四个虚拟变量,它们记录了一条推文是否使用了标签、图像、URL或提及,并捕捉了内在消息特征的结构元素。当局有关新冠肺炎疫情的推文中使用标签的转发量是没有标签的转发量的0.64倍,显示出了标签的负面影响。这个结果非常显著(
当权威和专家的推文都有图片时,转发数与没有图片的推文相比没有显著差异。在权威机构的推文中使用url会降低推文的转发次数:与没有url的推文相比,权威机构的推文转发次数约为0.82 (
作为第二类内在信息特征,考虑到六个内容变量,分析了不同内容和主题的推文的影响:包含涉及COVID-19严重程度、易感性、有效性的推文,包含关于病毒传播的技术信息的推文,以及包含涉及COVID-19大流行的社会和政治后果的推文。就结构类别而言,当局和专家在COVID-19危机沟通的成功程度上存在根本差异。第一个考虑的内容类别是严重性。有关部门含有提及COVID-19严重程度词汇的推文比没有提及严重程度的推文多转发1.40次(
当局关于COVID-19的推文中包含有关易感性的信息性词汇(例如关于SARS-Cov2高危人群)的转发数与没有此信息的推文没有显著差异。对于专家来说,易感性内容对转发数也没有显著影响。具有有效性信息的推文增加了当局的推文成功:具有有效性内容的当局推文的转发数大约是没有该内容的推文的1.34倍(保持所有其他模型变量不变)。这种影响非常显著(
对于当局来说,带有关于病毒传播的技术信息和其他科学发现的推文与转发数呈正相关。对于当局来说,转发数约为没有此信息的推文的1.45 (
包含涉及社会后果(如封锁)的词汇的推文导致当局的转发数约为1.24倍(
第三类解释变量考虑了COVID-19推文的风格元素对转发数的影响。以第一人称语言撰写的关于COVID-19的推文对专家或当局的转发数没有影响。然而,当官方推文使用第二人称语言时,转发数约为未使用第二人称语言推文的1.88倍(
对于权威和专家来说,粉丝数作为一个自变量,对推文的传播有非常显著的影响(
这些结果表明,当局和专家在COVID-19推文转发成功的决定因素上存在差异和相似之处。
总的来说,这项研究表明,当局和专家在推特上关于COVID-19危机沟通的转发率增加的原因上存在很大差异。
在研究的时间框架内,考虑到推文的数量,当局和专家越来越多地发布关于COVID-19的推文(见
负二项回归的结果验证了描述性分析,在德国当局和专家之间观察到危机沟通的根本差异。这些可以追溯到内在的消息特征,如推文的结构、内容和风格特征[
关于COVID-19推文的内容,对于当局来说,内容类别大多与转发数呈正相关。涉及易感性的内容对传播没有显著影响,而关于严重程度、疗效、技术信息和关于社会后果的推文则导致当局获得更高的转发数。
与没有政治信息的推文相比,关于大流行政治后果的内容的转发量更低,同样是针对当局的。这一结果似乎值得注意,特别是在危机沟通的背景下,因为政治信息是当局沟通的核心要素。此外,提及有关病毒传播的技术信息和研究结果(例如,关于疫苗开发)的推文比没有提及这些的推文获得了更高的转发数。
看看专家们关于COVID-19的推文,必须指出的是,更少的内容变量在解释转发数方面起着重要作用。只有两个内容变量与转发数呈显著正相关。这些都是关于COVID-19的严重程度和社会后果的推文。正是在这些类别中,专家的知识受到Twitter用户的重视。
与关于COVID-19推文结构的结果相反,使用严重信息的当局和专家推文被转发的频率更高。对于这两组来说,关于易感性的内容与转发数无关。有关疗效和技术信息的信息只增加了当局推文的转发数。关于社会后果的内容的推文导致了两组利益相关者的更高转发数。引人注目的是,当局推文中的政治内容与相应推文的较低传播率相关。
COVID-19推文的风格元素考虑了第一人称和第二人称特定词汇。当局应该考虑增加以第二人称撰写的推文,以直接向用户发送,因为这与转发数呈正相关。风格变量与专家转发量的显著差异无关。总体而言,研究COVID-19推文的内在信息特征可以发现,与专家的COVID-19推文相比,当局的推文似乎更多地使用了标签和url等结构元素。
此外,利益相关者的网络越大,转发量就越大。这表明利益相关者需要努力扩大和维护一个大型网络,以传播他们的危机沟通信息。
将本研究结果与之前关于大流行前危机沟通的研究进行比较,如Vos等人的研究[
Kostkova等人研究的2009年猪流感危机也有相似之处[
总的来说,这证实了之前的研究,在COVID-19危机传播中,转发高度集中。两名专家和联邦卫生部负责所有转发的70.26%(544,418/774,865),这也是德国推特上COVID-19的影响者。福岛核危机研究[
这项研究还证实了之前针对推特的危机传播研究,显示所有利益相关者在一段时间内发布了更多关于COVID-19的推文[
总体而言,德国当局和专家在COVID-19危机沟通方面存在几个不同之处:与当局相比,专家拥有更大的关注和追随者网络,通过转发和点赞获得更高的传播率,并且在更大程度上更直接地与推特用户就COVID-19主题进行互动(在过滤掉引用、回复、转发和非德国推文后,这一点变得更加明显)。就内在信息特征而言,专家在推特中使用的结构和风格元素比权威人士更少,并且在传播方面远远超过权威人士,这表明其他方面如同情、声誉、宣传、可靠性、一般媒体存在感和传播的直接/速度对推特上的危机传播更重要。
这两个群体都应该在推特上更多地讨论与covid -19相关的具体话题。与没有提及COVID-19严重程度的推文相比,含有COVID-19严重程度内容的推文转发量更多。然而,防止公众危言耸听似乎是明智的。需要更多的研究来确定如何将结果逐个转化为当局的危机沟通,例如在危机沟通中直接与防止危言耸听。
必须指出的是,推特用户并不能代表德国总人口。相比之下,在德国只有少数人使用Twitter,尽管他们的受教育程度更高。
必须再次指出,专家小组和当局之间的比较是有限的。这两个群体的危机沟通模式不同。例如,当局有许多其他沟通渠道(线上和线下)可以用于危机沟通,如新闻发布会。此外,当局在多大程度上使用Twitter来告知公众或更具体的目标群体,如记者或专家本身,也值得怀疑。这项研究只分析了用德语写的推文。为了在科学界内部交流,专家们尤其使用英语;然而,这些推文并没有被分析。
研究结果进一步表明,特定利益相关者在Twitter上的成功可能还有其他决定因素,这些因素仅通过Twitter数据是无法观察到的,如同情心、声誉、知名度、可靠性和研究期间的一般媒体存在。总的来说,这些推文是在特定的日期下载的,因此代表了事件的快照。这些数据于2021年1月15日检索,涵盖了一场结局不可预见的持续危机中的一段时期,也旨在进行回顾性分析。
推特数据是一个强大的信息源,适合在德国就COVID-19进行危机沟通。一些重要的结果可以被强调。COVID-19推特活动反映了德国的COVID-19病例数。当局和专家的新冠肺炎推文在公开的时候传播率更高,当局在直接向公众发表的时候传播率更高。专家们在Twitter上成功地进行危机沟通,远远超过了当局的传播。在新冠疫情中,专家作为信息来源比当局更有价值。对于当局来说,在危机期间,当他们的危机沟通不仅仅与具体危机有关时,似乎很难赢得认可。当局应该考虑在推特上建立单独的账户,并使用这些账户进行更有针对性的交流。
利益相关者的名单和数量的关注和追随者。
完整的单词列表。
点赞数的二项式回归结果。
应用程序编程接口
发病率比
罗伯特·科赫研究所
本研究由德国联邦政府资助的项目“在COVID-19大流行背景下当局和独立专家在线危机沟通的比较评估,作为联邦辐射防护办公室改善危机沟通的基础”(Eine vergleicende evaluation der online - krisenkommunikation von Behörden und unabhängigen Expert*innen im Zuge der COVID-19大流行Grundlage für die Verbesserung der bbs - krisenkommunikation)辐射防护办公室。感谢来自德国联邦辐射防护办公室的Maren Gruß、Christiane Pölzl-Viol和Michael Thieme以及四位匿名审稿人的宝贵意见。
LD:研究设计,数据调整,分析,解释和文稿准备;JR:研究设计、数据检索、数据分析和解释;KA:研究设计、文献综述和解释;KD:研究设计与解释;WS:研究设计与解释;AG:研究设计和解释。
作者是一家私人研究公司的研究人员,他们得到了德国联邦辐射防护办公室的资助。