推特上COVID-19疫苗话语流行和病毒传播的驱动因素:文本挖掘和数据可视化研究

介绍

背景

自世界卫生组织(世卫组织)于2020年3月宣布新冠肺炎疫情为大流行以来[1美国是确诊病例和死亡人数最多的国家。2]。许多卫生组织，包括世界卫生组织[3.]和美国疾病控制及预防中心[4]，将疫苗接种视为一项关键的预防措施，以帮助结束大流行并使社会恢复正常状态。由于疫苗学的显著进步，科学家们在前所未有的短时间内开发出了COVID-19疫苗。2021年12月，在该病毒被发现不到1年后，首批两种疫苗被批准在美国紧急使用:辉瑞- biontech疫苗和Moderna疫苗[5]。这两种疫苗都使用基于信使RNA (mRNA)的技术，这种技术以前未被批准在人类中普遍使用[5]。强生公司的杨森疫苗基于一种略成熟的病毒载体技术，于2020年2月成为美国批准用于紧急用途的第三种疫苗[6]。由于其新颖性，COVID-19疫苗有可能加剧现有的疫苗辩论，包括关于疫苗安全性和有效性的争论，这在大流行前的近年来受到了显著关注[7]。此外，在2020年总统选举中得到重申的政治两极分化，体现在广泛的问题上，包括应对COVID-19大流行[8]和疫苗[9]。总体而言，民主党人对COVID-19疫苗的态度比共和党人更有利[9]。这些政治分歧有可能进一步推动有关疫苗的辩论。在有关新冠肺炎疫苗的热议中，美国开展了有史以来最大规模的疫苗接种运动，以抗击新冠肺炎。10]。

调查公众对COVID-19疫苗的看法将有助于了解人们的看法和态度。作为一个主要的社交媒体平台和基于文本的公共话语的重要来源，研究人员对Twitter进行了研究，以了解有关疫苗的公共话语[11-14以及特定疫苗，包括COVID-19疫苗[15，16]。文本挖掘技术在最近的研究中越来越多地用于调查有关COVID-19大流行的推文(例如，[17-21])和COVID-19疫苗[15，16]。这些研究使用了机器学习算法来自动分析大量的推文，并捕获潜在的文本信息，如主题、情绪和趋势。

虽然文本挖掘显然是一种从大量tweet中识别潜在文本集群和模式的有效方法，但对于这些信息如何帮助理解Twitter上信息和观点的传播，我们所知甚少。本研究的目的是使用文本挖掘技术调查有关COVID-19疫苗的推文受欢迎程度和病毒式传播的消息级驱动因素。具体来说，这项研究的目的是调查文本挖掘主题和价值，以及社交媒体信息特征如何影响点赞和转发。该研究的另一个目的是使用网络分析和可视化来检查最喜欢和转发最多的推文的主题社区。这些发现对疫苗运动的方向具有启示意义。

文献综述

一条信息在社交媒体上的最佳传播程度可以通过用户的积极回应来评估，例如点击“喜欢”和“分享”按钮，以公开表明个人的兴趣和支持[22，23]。在Twitter上，用户可以点击“喜欢”图标来表示对一条推文的欣赏，或者点击“转发”图标来与他们的关注者公开分享。24]。先前的研究将推文的点赞数视为其受欢迎程度的指标，将推文的转发数视为其病毒式传播的指标[23，25]。根据这些研究[23，25我们通过点赞数来评估一条推文的受欢迎程度，通过转发数来评估一条推文的病毒式传播能力。与点赞相比，转发是一种更社会化的行为[26]。对于这两种回答，从众效应都假定，与已经这样做的人数相比，接受趋势的人数会增加得更多[22]。

根据先前的研究，本研究调查了三类消息级因素，这些因素可以驱动媒体内容的在线传播:信息、情感和社交媒体消息特征。由于Twitter是基于文本的信息的主要来源，我们借鉴了与网络文本信息的社会传播相关的文献，包括新闻文章和推文。过去对网络新闻病毒式传播的研究表明了两类决定因素:信息性和情绪性。从信息的角度来看，以整体内容有用性衡量的信息效用被发现促进了一般新闻文章的社交媒体分享[27]。在健康环境中，利用信息效用的内容属性是功效信息的存在[26]，提供促进健康或克服健康风险的方法[28]。研究表明，整体内容有用性和功效信息的存在都有助于在社交媒体上浏览和分享健康新闻文章[26]。在2019冠状病毒病大流行的情况下，美国很早就明显存在对新型冠状病毒的认识差距[29]和对实用价值信息的需求是预期的[25，30.]。此外，根据不确定性减少理论，为了减轻危机中的风险，人们倾向于通过收集可信信息并与他人分享来减少不确定性[25]。纳纳特和乔伊的[25文本挖掘研究显示，乐观和解决方案主题以及心理健康主题是与covid -19相关推文转发数量的积极预测因素。除了信息效用外，健康新闻中的新颖内容也被发现可以增加分享[26]。新开发的COVID-19疫苗有助于抗击新型冠状病毒;因此，与发展和功效等方面有关的内容具有新颖性的内在特征，可能有助于缩小知识差距。

过去的研究普遍表明，Twitter上对疫苗的正面推文多于负面推文[11-13]，尤其是COVID-19疫苗[15，16]。尽管人们发现积极的内容可以增加社交媒体上的点赞量[22，23]，关于价格对在线内容病毒式传播的影响，研究结果好坏参半。伯杰和米尔克曼[27发现积极情绪增加了社交媒体对一般新闻的分享。一个合理的解释是，积极的分享反映了发送者的积极态度[26]，这可以增强自我表现[31]和身份交流[27]。然而，纳纳特和喜悦[25发现负面情绪增加了与covid -19相关的推文的社交传播。此外，Blankenship等[11结果显示，反疫苗的推文比接种疫苗的推文被转发的次数更多。相比之下，金[26结果显示，内容价与社交媒体上健康新闻的病毒式传播无关。

除了内容主题和价格之外，社交媒体信息的特征，包括媒体存在、语言特征和账户验证，可能会影响在线内容的受欢迎程度和病毒式传播。媒体存在和语言特征可以影响内容处理的流畅性，并进一步影响喜欢和转发等有利的在线反应。社交媒体上的内容可以是任何模式，如文字、照片和视频。过去的研究表明，嵌入媒体(即照片或视频)的推文会激发点赞和转发[23]。假设照片的认知加工比文字的更流畅，因为照片的语义激活比文字的更快[32，33]。因此，嵌入媒体的推文更有可能引发良好的在线反应。

相比之下，过去的研究表明，语言特征，如标签、提及和外部链接的数量，会减少点赞[23]和转发[23，25]。这些特征从两个方面增加了内容加工的不流畅性。首先，相对于文字使用的黑色，标签、提及和外部链接使用的蓝色降低了字体与背景的对比，造成视觉上的永久不流畅[23，34]。其次，标签、提及和外部链接使用的非字母数字符号(如#、@、://)造成拼写不流畅[23，35]。内容不流畅需要更多的认知努力来处理信息，因此减少了有利的反应[23]。

最后，账户功能可能会影响点赞和转发。面对数字时代的信息爆炸，账户真实性在信息传播中显得尤为重要。在Twitter上，经过验证的账户在个人资料名称旁边有一个蓝色徽章，让用户知道它是真实的。Twitter在2017年暂停了公众提交的账户验证申请，并于2021年5月使用新的申请流程重新开放了该门户[36]。我们的数据检索截止日期为2021年4月30日，因此数据不能反映新验证的账户。此外，值得注意的是，经过验证的账户发布的推文可能没有经过验证。

研究模式与问题

本研究通过提供一个概念模型来理解上述三类因素——内容主题、内容价值和社交媒体消息特征(包括媒体存在、语言特征和账户验证)对COVID-19疫苗推文的受欢迎程度和病毒式传播的综合影响，从而为文献做出了贡献。我们采用主题建模来识别推文的潜在主题。我们采用情感分析来评估推文的效价。自动提取有关社交媒体特征的数据。因此，我们提出了以下研究问题:

研究问题1 (RQ1):内容主题、内容价和社交媒体信息特征如何影响有关COVID-19疫苗的推文的受欢迎程度?

研究问题2 (RQ2):内容主题、内容价和社交媒体信息特征如何影响有关COVID-19疫苗的推文的病毒式传播?

此外，在2500条点赞数最多的推文和转发数最多的推文中，我们分别使用网络分析和可视化来检测话题社区，并呈现话题与推文之间的关系。我们的研究问题如下:

研究问题3 (RQ3):最受欢迎的推文的突出主题是什么?

研究问题4 (RQ4):转发最多的推文的突出主题是什么?

在美国激烈的疫苗辩论背景下，这项研究可以帮助提高对有关COVID-19疫苗的推文流行和病毒性的复杂驱动因素的了解，使用基于机器的文本挖掘和网络可视化。这些发现为医疗从业者使用更有效的社交媒体内容提供了实际意义。

方法

数据源

我们收集了2020年1月1日至2021年4月30日期间公开可获得的关于COVID-19疫苗的原始推文，使用snscraper [37]，根据用户资料数据进一步过滤，只包括英语和美国用户的推文。这种方法在最终数据集中记录了501,531条tweet。

参考先前关于疫苗的社会媒体研究[38，39]，我们通过平衡COVID-19疫苗的一般信息和品牌信息来开发关键词。截至2021年4月30日，即我们的数据检索截止日期，辉瑞- biontech、Moderna和强生/杨森疫苗被授权在美国紧急使用[40]。当时，这三种疫苗与阿斯利康疫苗一起在欧盟国家获得了有条件的上市许可[41]。虽然阿斯利康的疫苗没有在美国使用，但它在美国获得了媒体和公众的关注，因此我们也将该品牌纳入了搜索范围。此外，由于COVID-19疫苗在基础技术方面各不相同，我们考虑了技术特定信息。辉瑞- biontech和Moderna使用mRNA技术，强生和阿斯利康-牛津使用病毒载体技术。此外，我们还检查了美国疾病控制与预防中心(CDC)和美国食品和药物管理局(Food and Drug Administration)等政府推特账户，以探索标签。最后，使用以下策略来抓取Twitter数据。一条推文必须包含关键字“疫苗”(除非另有说明，否则不区分大小写)，以及关键字“COVID”、“COVID-19”、“COVID-19”、“辉瑞”、“辉瑞- biontech”、“Moderna”、“强生”、“杨森”、“阿斯利康”和“牛津-阿斯利康”之一;或包含关键字“疫苗”以及以下组合之一:“mRNA”和“COVID”，“病毒载体”和“COVID”，以及“腺病毒”和“COVID”;或者包含“#covid - 19vaccine”和“#covid - vaccine”两个标签中的任何一个。

数据处理

通过genism对最终数据集进行预处理[42]进行主题建模和情感分析。我们将每条推文标记为单词列表[43]，除标准NLTK停止词库外，还删除了“https”和“covid”等高频停止词[44]，我们并不期望它们有助于每个主题的独特性。然后，使用gensim双语料库模型训练文本语料库识别常见的双语料库，如“New York”[42]。接下来，所有的单词都被归纳为它们的字典形式[43以减少字袋(BOW)编码中的冗余。最后，这些由双元图模型识别的词源化的单字(即双元图)和双元图被用来为我们的潜在狄利克雷分配(LDA)模型构建BOW表示。也就是说，语料库被编码为一个向量空间，每个向量组件表示一个引理。

措施

像数

每条推文的点赞数，即一条推文获得的点赞数，在数据集中被捕获。由于少量的推文产生了大量的点赞，所以分布是右偏的。为了减少右偏度，我们在统计分析中使用了类似计数的自然对数，就像在过去的研究中一样[23]。

转发数

每条推文的转发计数，即一条推文获得的转发数量，在数据集中被捕获。与点赞数类似，转发数呈右偏分布。为了减少右偏度，我们在统计分析中使用了转发次数的自然对数，就像过去的研究一样[23，25]。

内容主题

使用LDA模型对推文进行主题建模[45]。主题建模是一种常用的无监督学习方法，它为文本数据的语料库生成概率模型[46]。作为两大主题模型之一[46]， LDA越来越多地被用于分析文本数据[47]，包括推文(例如，[16-18，20.，25])。

LDA依赖于两个矩阵来定义潜在的主题结构:词-主题矩阵和文档-主题矩阵[47]。在我们的研究中，文件是一条推文。一般的思想是，一条推文由潜在主题的狄利克雷分布表示，其中每个潜在主题由单词的狄利克雷分布表示[46]。

词-主题矩阵揭示了一个词可能出现在主题中的条件概率。词-话题矩阵用于解释话题。一个主题可以用3到30个单词来解释，通过检查一个最可能的单词列表，仅根据它们在该主题中出现的频率进行排名[48]。为了帮助主题解释，我们还考虑了根据频率和相关性对最可能的主题特定单词进行排名，如Sievert和Shirley所建议的[48]。对主题中单词排序的相关性由权重参数λ索引，其值范围为0到1。接近0的值突出显示罕见但不排他的主题单词，接近1的值突出显示频繁但不一定排他的主题单词[48]。我们采用了推荐的λ为0.6 [48]。最后，我们审查了具有最高主题特定负载的样本推文，以确定主题解释。

文档-主题矩阵揭示了一个主题在tweet中可能出现的条件概率。换句话说，它显示了每条推文的主题加载。这些信息被用于回归模型预测，以及网络分析和可视化。主题加载值的取值范围为0 ~ 1，值越接近1表示tweet的主题加载越高。

价的内容

我们使用TextBlob [49]是一个开源的python库，用来生成每条推文的价值。效价评分范围为-1 ~ 1，-1为最负效价，1为最正效价。

媒体的存在

分别提取了一条推文是否包含照片、gif或视频的数据。

语言特征

分别提取了标签、提及和超链接的数量。

帐户验证

对于每条推文，无论发布该推文的账户是否经过验证，都被提取出来。

数据分析

我们进行了线性回归分析，以检验点赞和转发的预测因素。由于本研究的目的是通过点赞数和转发数来调查影响推文受欢迎程度和病毒式传播的因素，因此与过去的研究一样，我们只考虑了被点赞和转发的推文[23，25]。在模型中，分别对从主题建模中提取的12个主题负载、从情感分析中生成的效价评分、三个媒体存在变量、三个语言特征变量和账户验证变量进行了对数变换后的like计数和转发计数的回归。

网络分析与可视化

我们使用双模式可视化分别表示主题与2500条最喜欢的推文和2500条最被转发的推文之间的关系。为了准备呈现每个关系网络的数据，我们创建了一个由主题和推文节点组成的节点列表，以及一个由推文id、每条推文所连接的主题和代表每条推文的主题加载的边权重组成的边列表。每个具有其名称的主题节点的大小与所有tweet的主题加载的总和成比例。为了帮助观众识别主题，我们使用了Gephi中内置的社区检测算法[50]，该方法基于先前研究中使用的Louvain模块化方法[12]。社区检测算法[51]识别网络中有凝聚力的群体[52，53]。在网络可视化中，节点的颜色反映了主题社区的成员关系。

结果

内容主题

我们使用LDA训练了一个主题模型，主题号的搜索空间从3到21。利用Dirichlet浓度参数的统一搜索网格，对模型参数进行训练以优化相干分数C_v［54]，这是对同一主题中单词重合的可能性测量。在12个主题中获得了最佳模型C_v= 0.42。表1总结了12个主题。每个主题的解释是基于单独按频率排名的前10个可能单词，以及频率和相关性的联合排名，以及对具有高主题特定负载的样本推文的审查。

价的内容

总体效价为阳性，得分为0.145。效价评分范围为-1 ~ 1，-1为最负效价，1为最正效价。如图所示表1， 12个主题均与正效价相关。

相似数的决定因素

表2揭示了四类自变量对类对数变换计数的影响。回归模型在P<措施(调整后R²= 0.151)。RQ1与“喜欢”的决定因素有关。在主题建模确定的12个潜在主题中，主题1至8对点赞有微弱但显著的影响。效价对喜欢也有微弱但显著的影响。积极的推文增加了点赞。媒体(照片、动图或视频)的出现增加了点赞。在语言特征中，标签和外部链接的数量减少了点赞数，而提及的数量增加了点赞数。账户验证增加了点赞。

转发数的决定因素

表2还揭示了四类自变量对对数转换后的转发数的影响。回归模型在P<措施(调整后R²= 0.130)。RQ2关注的是转发的决定因素。在主题建模确定的12个潜在主题中，主题1至7对转发有微弱但显著的影响。价格对转发没有影响。媒体上出现的照片或视频增加了转发量。在语言特征中，标签数量减少了转发量。账户验证增加了转发。

主题和推特关系网络

RQ3关注最受欢迎推文中的突出话题。如图所示图1在2500条被点赞最多的推文中，Louvain聚类识别出了12个话题中的4个。这些推文围绕疫苗可及性(主题1)聚集，紧随其后的是疫苗功效和推广(主题2)，然后是疫苗开发和人们的观点(主题3)。其他主题不突出，作为一个剩余的集群呈现。每个主题社区用一种颜色表示。

表3总结了10条最受欢迎的意译推文，比如计数、主导话题和话题加载。第一条最受欢迎的推文是在2020年7月发布的，截至2021年4月30日，它有91163个赞，主要围绕疫苗获取(主题1)。它呼吁全民医疗保险以及免费的COVID检测、治疗和疫苗。

RQ4关注的是转发次数最多的推文的突出主题。如图所示图2，在转发最多的2500条推文中，Louvain聚类识别了LDA在总推文中识别的12个主题中的5个。转发量最高的推文主要围绕疫苗功效和推广(话题2)，紧随其后的是疫苗可及性(话题1)，然后是疫苗开发和人们的观点(话题3)和疫苗接种状态(话题5)。其他话题不突出，作为一个剩余的聚类呈现。每个主题社区用一种颜色表示。

‎ 查看此图

‎ 查看此图

表4总结了转发次数最多的10条意译推文，它们的转发量和主要话题。第一条转发最多的推文是在2020年12月发布的，到2021年4月，它的转发量达到了17427次，主要围绕疫苗的功效和推广(主题2)。这强调了根据当时的疫苗接种速度，达到群体免疫需要很长时间。

讨论

主要结果

本研究使用文本挖掘技术调查了三类消息级因素对有关COVID-19疫苗的推文的受欢迎程度和病毒性的综合影响。我们还使用网络分析和可视化检查了最喜欢和转发最多的推文的主题社区。在本节中，我们首先讨论文本挖掘的主题和价，以及关于社交媒体信息特征的自动提取信息如何影响点赞和转发。我们进一步讨论了疫苗运动方向的局限性和影响。

在主题建模确定的12个潜在主题中，主题1-8增加了点赞量，主题1-7增加了转发量。疫苗发展和人们的观点(主题3)对点赞和转发的积极影响最大，反映在β系数。COVID-19疫苗的内在新颖性可以提供合理的解释。这些疫苗是新开发的，旨在帮助对抗新型冠状病毒，研究中检测的四个品牌中有两个使用了mRNA，这是一种以前未被批准用于人类普遍使用的技术。5]。因此，有关疫苗开发和技术的信息更受欢迎和传播。与此相关，前10个点赞推文中有3个反映了话题3，其中两个是关于mRNA疫苗的。转发次数最多的10条推文中有1条反映了主题3，即mRNA疫苗。这一发现与过去的研究结果一致，即新内容对健康新闻的社会传播有影响[26]。

疫苗功效和推广(主题2)对点赞和转发的积极影响第二大，如图所示β系数。先前的研究揭示了疗效信息对在线健康新闻传播的影响[26以及关于COVID-19大流行的推文[25]。这项研究还强调了关于COVID-19疫苗的推文病毒性的功效信息的重要性。

研究结果表明，以疫苗开发和民众观点为主题的推文，以及以疫苗功效和推广为主题的推文，高度满足了公众在新冠肺炎大流行期间的信息需求，因此在推特上容易受到欢迎和传播。这些推文似乎提供了有用和新颖的信息，有助于减少健康危机中的不确定性。疫苗运动可以提供有关这些主题的更多信息，以帮助信息在社交媒体上传播。

值得注意的是，支持某一政党等两极化的政治信息可能与不同的话题交织在一起。前10个点赞推文中有5个包含两极分化的政治信息，前10个转发推文中有3个包含两极分化的政治信息。由于政治立场可能在美国的疫苗辩论中发挥作用[9]，未来研究除其他因素外，它的影响将是有趣的。

这项研究表明，推文的总体效价是积极的。这与之前对有关疫苗的推文的研究结果一致[11-13特别是COVID-19疫苗，无论国家如何[15，16]。结果表明，正效增加了喜欢度。这与之前的研究结果一致[22，23]。相比之下，结果显示价格对转发没有影响。过去的研究揭示了关于价对转发的影响的混合结果[11，25-27]。这种解释可能基于转发行为背后复杂的认知来源。与点赞相比，转发是一种更社会化的行为，可能涉及到接受者对内容和/或发送者的预期反应[26]。

在社交媒体消息功能方面，在所有因素中，账户验证对点赞和转发的积极影响最大，体现为β系数。这一发现强调了账户认证在面对海量信息时对推文的受欢迎程度和病毒式传播的重要性。根据不确定性减少理论，可信信息对于减少危机中的不确定性至关重要[25，55]。然而，值得注意的是，帐户身份验证并不总是意味着内容身份验证。因此，经核实的帐户传播的错误信息可能对疫苗运动构成更大的挑战。疫苗运动可以尝试使用和激励不同的经过验证的帐户，包括机构和个人帐户，以分享可信的信息，以扩大影响范围，并防止错误信息的传播。

此外，根据文献[32，33，照片或视频的出现会增加点赞和转发。动图的出现增加了点赞量，但不影响转发量。此外，与文献[23，34，35]，话题标签的数量减少了点赞和转发。外部链接的数量减少了点赞，但不影响转发。与文献不符的[23，25]，提到的次数促进了点赞，但不影响转发。

结果显示，在研究的因素中，影响点赞的因素比影响转发的因素要多。8个主题预测点赞，7个预测转发。价能预测点赞，但不能预测转发。gif的存在、被提及的次数和外部链接的数量预测了点赞，但不是转发。对前10条推文的点赞数和转发数的比较也表明，一条推文更有可能被点赞，而不是被转发。点赞数最多的推文的点赞数是转发数最多的推文的五倍多。这些发现表明，让一条推文像病毒一样传播比受欢迎更具挑战性。

限制

这项研究有几个局限性。我们使用基于机器的文本挖掘来识别大量关于COVID-19疫苗的推文中的潜在主题和价格。然后，我们将文本挖掘的主题和价格，以及社交媒体消息特征的自动提取信息纳入回归模型，用于预测推文的受欢迎程度和病毒性。虽然这种方法减少了手工编码，但结果大多局限于自动识别和自动提取因素。我们对每个主题的样本推文以及前10个点赞和转发推文的人工审查提供了线索，表明政治两极分化的信息可能与不同的主题交织在一起。这将是有趣的未来研究如何影响twitter的受欢迎程度和病毒式传播。例如，转发推文可能源于复杂的认知来源，如自我表现[31]和身份交流[27]。一个问题是，发送者和接收者之间政治立场的一致性是否会影响转发。

此外，研究结果仅限于美国在推特上关于COVID-19疫苗的公开讨论。在2019冠状病毒病大流行期间，社交媒体平台在传播信息和意见方面发挥了重要作用[56]。未来的研究将Twitter与其他社交媒体平台进行比较，这将是一件有趣的事情。例如，在预测受欢迎程度和病毒式传播方面，所研究的因素的相对重要性可能因所分析的社交媒体平台而异，因为每个平台都有自己的特点。

最后，结果揭示了有关COVID-19疫苗的推文受欢迎程度和病毒性的消息级驱动因素。我们将账户验证作为自变量纳入回归模型，结果显示它对点赞和转发有积极影响。然而，我们并没有在大量的推文中发现社交机器人。未来研究社交机器人的影响将会很有趣。

结论

这项研究表明，在新冠肺炎大流行期间，公众对疫苗开发和人们看法的信息以及疫苗功效和推广的兴趣和需求。这些话题，以及媒体和认证账户的使用，增强了推文的受欢迎程度和病毒式传播。这些问题可以在疫苗运动中得到解决，以帮助Twitter上的内容传播。