微博服务和社交网站Twitter [ 1， 2为研究信息的分布和决定因素提供了一个公共平台，最终目的是为公共卫生和公共政策提供信息。这被称为以监视为主要目的的信息流行病学或信息监测[ 3.， 4］．一些开创性的信息监控学者已经成功地使用Twitter监控人们的状态更新，以跟踪疾病的发展，通常被称为综合征监控[ 3.- 6]，例如在甲型H1N1流感爆发期间[ 7， 8］．其他信息监控研究分析了人们如何在Twitter上分享健康信息，并监测了他们与健康相关的行为[ 3.， 4]，例如使用抗生素[ 9]、滥用药物[ 10，饮食行为[ 11]和吸烟行为[ 12］．然而，迄今为止，很少有大规模的研究涉及美国个人推特用户(而非组织推特账户)之间关于健康行为的信息分布。

目前的探索性研究旨在填补这一空白，并为未来健康营销干预措施的发展提供信息，旨在通过这个影响深远的交流平台促进美国的体育活动。皮尤互联网与美国生活项目发现，13%的在线成年人[ 138%的青少年(12-17岁)使用Twitter [ 14在美国。2009年，12%在网上查找健康信息的人也使用Twitter分享自己的健康更新或查看他人的健康更新[ 15］．

目前的研究集中在体育活动的健康行为上，部分是为了解决美国缺乏运动的流行问题。根据2009年美国青少年风险行为调查，只有18%的9至12年级学生每天至少参加60分钟的体育活动，只有33%的学生每天参加体育课[ 16］．根据2008年全国健康访谈调查的结果，对美国身体活动流行率的调查发现，不到一半(43.5%)的成年人进行有氧运动，略多于五分之一(21.9%)的成年人达到了增强肌肉的指导方针，只有18.2%的人既达到了增强肌肉的指导方针，又全年进行有氧运动[ 17］．

目前的研究调查了个人Twitter用户之间关于体育活动信息的传播和分享，而不是组织Twitter账户、体育活动设施或体育活动设备公司账户。在营销研究中，个人之间的数字分享被称为电子口碑(electronic word of mouth, eWOM)，指的是大量消费者之间就某一产品进行的在线信息交换[ 18］．在这项研究中，产品是身体活动，消费者是Twitter用户。我们关注的是网络口碑，而不是从组织账户发送的信息，因为社交网站上的网络口碑具有更高的回复率，而且与其他营销技术相比，它可以通过一种方式将影响力在更长时间内扩展到更多的接收者[ 19］．此外，我们对用户之间关于身体活动的有机交流感兴趣，这发生在组织影响之外，通常是干预的目标。

为了为设计旨在促进Twitter上的身体活动的未来健康营销干预提供指导方针，当前的研究检查了Twitter上关于身体活动的eWOM的格式和内容。我们创新地同时应用了市场营销和健康行为原则。我们研究的营销原则包括效价、网络口碑的组成部分(如意见领导和意见寻求)和网络口碑的后果(如转发和聊天)。在健康行为理论的背景下，我们考察了身体活动建模、社会支持和消极。此外，本研究还考察了不同网络特征的用户发布的推文的eWOM特征是如何变化的，这些特征包括关注者数量、关注者数量(用户关注的推特账户)以及关注者数量与关注者数量的比值。

使用twitter流媒体应用程序编程界面，在2011年1月1日至3月31日期间，美国发布的100万条推文包含113个关键体育活动词中的1个 多媒体附件1)的标签或文本主体中检索。第一条以体育活动为关键词的推文发布于协调世界时(UTC) 2011年1月4日(周二)03:33:39。第一百万个带有运动关键词的推文发布于2011年3月31日星期四00:29:34。关键词包括已公布的体育活动测量列表中的所有活动(例如，成人体育活动问卷[ 44]，体育活动纲要[ 45，以及中西部一所大学提供的健身项目清单[ 46])。同义词是在查阅了标准的同义词词典和美国俚语词典后进行分组的。我们还对关键词进行了试点测试，以确保该列表充分解决了Twitter用户的体育活动内容和词汇使用情况。为了确定是否包含了关于相似类型的体育活动的推文，不同的时态、单词形式(如walk、walking、walked)和流行的网络表达(如bball和B-ball代表篮球)也被用作关键词。用于搜索的关键词包括但不限于:自行车、攀岩、高尔夫、曲棍球、慢跑、引体向上、仰卧起坐、游泳、网球、跑步机、散步、瑜伽和尊巴舞 多媒体附件1)．

两名程序员(母语为英语)接受了扫描推文的训练，以排除那些与身体活动无关的推文，也不来自个人账户。排除标准包括(1)组织发布的推文(通过用户名识别)和(2)包含其中一个关键字但与体育活动无关的推文(例如，一些关于体育活动设备的广告)。例如，一条包含“泵”一词的推特就被排除在外了。非英语推文也被排除在外。

首先，从包含体育活动关键词的100万条推文中随机选择了3万条。其次，根据随机数生成器生成的数字对3万条推文进行排序。第三，两名编码人员扫描了前16100条推文，得到了4672条(29.02%)他们都同意的关于身体活动的推文，这些推文来自个人账户。最后，从4672条推文中随机抽取1500条(32.11%)进行进一步编码。所有1500条选定的tweet都来自由用户和Twitter帐户名确定的唯一用户。

分析的单位是一条tweet。编码的主要概念包括(1)eWOM的效价、(2)eWOM的成分、(3)eWOM的后果、(4)身体活动建模、(5)社会支持和(6)社会消极。除了物理活动建模之外，程序员可以选择适用于大多数概念的所有值。看到 表1对于编码方案。

使用100条tweet计算互编码器可靠性。两名研究生——一名公共卫生硕士和一名博士生——接受了培训，然后完成了从1500条推文中分离出来的100条推文的初步编码。在第一轮可靠性计算结束后，讨论了编码器之间的分歧，并在此基础上修改了编码方案。由于一些重要的变量是扭曲的(例如，在很少的实例中显示)，本研究使用Holsti的方法来确定编码器间的可靠性[ 47］．编码器之间的可靠性得分在0.83到0.98之间，都是可以接受的 表1)．在估计了互编码器的可靠性后，2个编码器分别编码了750个tweet。

对发布推文的时间、关注者的数量和用户关注的人进行了描述性分析。对所有eWOM特征进行描述性分析(1)效价，(2)eWOM成分，(3)eWOM后果，(4)身体活动建模，(5)社会支持，(6)社会消极。由于关注者和关注者数量的分布非常倾斜，我们使用了非参数Mann-Whitney U检验(不需要正态分布假设)[ 48]，以调查在不同的网络口碑特征下，关注者和追随者数量的分布是否存在差异。

对于关注数和关注数的差距，狭义的差距定义为关注数和关注数的比值在0.9-1.1之间，而广义的差距定义为小于0.9或大于1.1 [ 42］．采用Fisher精确检验检验两组间eWOM特征是否存在差异。选择Fisher精确检验是因为数据是倾斜的，并且在大多数表格中，1个或多个单元格的预期计数小于5 [ 49］．删除了20个粉丝数为零的案例，因为无法计算关注者和关注者的比例。因此，分析中的总数(N)为1480。

所有分析均采用SPSS 20 (IBM公司，Armonk, NY, USA)进行。

在2011年第一季度(1月1日至3月31日)，所有1500条推文都是由1500名不同的用户发布的。周二是最受欢迎的发帖日(245/1500,16.33%)，其次是周一(234/1500,15.60%)，周三(228/1500,15.20%)和周四(227/1500,15.13%)。周五最不受欢迎(182/1500,12.13%)，其次是周日(184/1500,12.27%)和周六(200/1500,13.33%)。 图1展示了从UTC 0(00:00-00:59)到23(23:00-23:59)这段时间内所有1500条tweet的每小时分布的快照。

用户平均有576个关注者(标准差3183，范围0-82,874，中位数122)。用户平均跟踪368人(标准差976，范围0- 25069，中位数148)。用户平均发布了6630条推文，范围从1到167,517 (SD 14,158)。 图2以1472个Twitter用户的对数刻度轴表示关注数和关注数之间的关系。我们从1500名Twitter用户中排除了28名没有任何关注者或关注者的用户。

表2表示每一类(如积极)的电子口碑特征(如价)的推文数量。由于1条推文可以在每个特征(除身体活动建模外)的多个类别中呈现，所以每个eWOM特征(除身体活动建模外)的类别中的数字并不互斥。

关于eWOM效价(即积极、中性或消极)的分布，约85%的推文(1270/1500,84.67%)只有中性效价。只有负面价的推文占总数的不到3%(41/1500,2.73%)。此外，有1条推文(1/1500,0.07%)同时具有阳性和中性值，1条(1/1500,0.07%)同时具有阴性和中性值，4条(4/1500,0.27%)同时具有阳性和阴性值。

在网络意见领导和网络意见寻求的分布方面，几乎所有推文(1464/1500,97.60%)都只描述了网络意见领导。仅在网上寻求意见很少(26/1500,1.73%)。此外，10条推文(10/1500,0.67%)同时进行了在线意见领导和意见寻求。

对于网络聊天和网络转发这两种后果，约有9 / 10的推文(1354/1500,90.27%)仅以网络聊天的形式存在。仅在线转发就出现了约1 / 13的推文(108/1500,7.20%)。另有36条推文是在线聊天和转发两种形式。

对于身体活动建模的分布，包括交流参与身体活动的意愿、过去参与身体活动的经验和当前参与(和参与意愿)身体活动，约60%(905/ 1500,60.33%)的推文与这三个领域中的一个有关。在提到意图或行为的推文中，超过一半(469/905,51.82%)是关于过去的行为。

从社会支持的不同维度分布来看，超过90%的推文没有提及任何社会支持(1364/1500,90.93%)。在提供社会支持的推文中(135/1500,9.00%)，信息支持的频率最高(63/135,46.67%)。只有不到2%的推文(18/1500,1.20%)出现了社会消极情绪。

正效价推文(n=186，均值508,SD 2919)和其他推文(n=1314，均值586,SD 3219; P= .02点)。中立值推文(n=1272，均值595,SD 3270)和其他推文(n=228，均值473,SD 2645; P=.04)对价的响应。关注者数量与eWOM组成、eom后果、身体活动建模、社会支持和社会消极之间无显著相关性。

我们探讨了关注人数与网络口碑的不同方面之间的关系 表2)．正推文(n=186，平均值283,SD 506)和其他推文(n=1314，平均值380,SD 1025; P= .04点)。

关注人数与eWOM成分、身体活动建模、社会支持和社会消极之间无显著相关性。转发关于体育活动的推文的用户(n=139，平均值375,SD 814)和其他用户(n=1361，平均值367,SD 992; P= .04点)。总之，积极谈论体育活动的人可能关注更少的人，而转发体育活动信息的人可能关注更多的人。

关注者和关注者数量与效价、eom成分、eom后果、身体活动建模和社会消极之间的差距没有显著关联。在社会支持方面，研究发现，关注人数和关注人数之间的差距越大的人更有可能提供陪伴( P= .04点)。 表3给出了基于追随者数与追随者数差距的陪伴支持分布(OR 0.31, 95% CI 0.10-1.0)。

这项探索性研究调查了人们是否以及如何在推特上谈论体育活动。首先，本研究考察了体育活动eWOM的价价，这是一个重要的营销关注点。其次，探讨了网络口碑传播的前因和后果路径模型的组成部分[ 27］．第三，讨论了SCT的3个重要构造[ 32:观察学习(本研究中的身体活动模型)、社会支持和社会消极。最后，本研究测试了与关注者数量、关注者数量和关注者数量与关注者数量之比相关的电子口碑特征的差异。

体育活动推特的价价分布不同于其他商业产品。在一项针对各种产品(如汽车、计算机硬件、消费电子、能源、快餐、互联网服务、个人护理、体育用品和交通工具)的推文的研究中，约60%的推文是正面的，12%是中性的，23%是负面的[ 1］．最近一项关于烟草相关推文的内容分析发现，积极推文多于消极或中立推文[ 12］．然而，在目前的研究中，大多数推文(85%)是中立的。这一发现反映了有形商业产品和健康行为之间的eWOM可能存在差异。例如，商业产品涉及有形的成本和收益，交易可以在较短的时间内相对容易地完成。体力活动涉及更多的无形成本，包括时间和精力，通常需要更长的“消耗”时间。此外，参加体育活动的潜在益处可能需要更长时间才能观察到。这可能会阻止用户对体育活动做出积极或消极的评价。另一种解释是，与商业产品相比，人们可能不太愿意评论自己的行为，或者更难以评论自己的行为。当人们评论一个产品或服务时，他们会评价第三方供应商，这是一个相对容易的任务。然而，在讨论体育活动时，他们必须评估自己的行为和自我，这在认知上可能比较困难。

积极的体育活动推文的数量是消极的体育活动推文的4倍。这一发现与以往文献一致，在15项研究中，积极口碑比消极口碑更常见，平均发生率为3:1 [ 50］．

对于eWOM组件，本研究的结果表明，Twitter目前更多地被用于提供意见或信息，而不是寻求关于体育活动的意见或信息。这一发现与一项关于脑震荡的推文内容分析相一致，研究人员发现，只有大约1.4%的推文寻求明确的建议[ 28］．我们的研究还表明，在Twitter上发布公开信息还不是获取体育活动信息或意见的流行方法。寻求意见或信息的推文比例较低，可能表明人们正在使用更传统的口碑传播或其他类型的口碑传播渠道来寻求信息。人们也可以直接发送推文，这是两个用户之间的隐私，以寻求意见和/或关于体育活动的信息。

关于eWOM的后果，聊天比转发体育活动推文更常见，这一发现与之前的一项研究一致，该研究发现推特的主要功能之一是日常聊天[ 2］．这也符合社交网站用于卫生信息的主要用途:卫生更新和查询[ 13］．

超过一半的推文(60%)使用了身体活动建模。这一发现并不令人惊讶，因为皮尤互联网与美国生活项目发现，在27%的互联网用户中，在线健康交流最常见的用途是跟踪体重变化、管理饮食、记录锻炼习惯(可以称为身体活动建模)，或跟踪一些其他健康指标或症状[ 13］．这一发现也与之前关于Facebook上脑震荡报告的研究一致:大多数帖子(65%)分享了个人经历[ 51］．

除了研究人们如何在推特上模拟身体活动外，这项研究是第一次通过推特上的eWOM来研究社会支持和负面影响。鉴于关于日常事务的eWOM是Twitter最常见的使用方式[ 2，我们发现只有10%的推文提供了任何形式的社会支持或负面影响，这并不令人惊讶。这项研究的结果表明，推特目前不是一个流行的平台，试图社会影响的身体活动。然而，人们可以使用直接的推特来请求或为他们的追随者提供社会支持。这些直接的、私人的推文无法用于这项研究。未来的研究可能会结合这些推文来研究人们如何感知社会支持或社会消极，这些信息是有影响力的。另一方面，另一个流行的社交网站Facebook与用户的社会支持有关。 52］．这可能表明，与Facebook或讨论组等其他在线平台不同，Twitter的某些特性使它不太可能成为寻求和获得社会支持的地方。这些特点可能是Twitter的即时性和强制的简短更新(只有140个字符)。

关于关注者和追随者数量与eWOM特征之间的关系，研究结果表明，关注者和追随者较少的人更有可能在Twitter上积极地谈论体育活动。拥有更多粉丝的人更有可能发布关于体育活动的中性推文。拥有更多粉丝的人更有可能转发推文。这些发现表明，拥有不同数量的关注者和追随者的人在使用Twitter进行体育活动时可能有不同的动机。关注者和追随者较少的人可能更倾向于在Twitter上与一个紧密的社交网络联系，积极地谈论体育活动，而关注者和追随者较多的人可能更倾向于主要使用Twitter来分享有关体育活动的信息。然而，这些建议还需要进一步的研究来验证其原因。

最后，一个令人惊讶的发现是，关注人数和关注人数之间差距较大的人更有可能在Twitter上提到陪伴支持。这与直觉相矛盾，直觉认为关注者数量和关注者数量之间的差距越小，可能意味着实际朋友之间的互惠性越高，这可能导致更多的人在Twitter上提及社会支持。这一结果可以用另一项研究的发现来解释，该研究发现Twitter是一个实际朋友的稀疏网络，而不是追随者和被追随者之间的密集网络[ 53］．Twitter上只有大约三分之一的用户被他们的追随者所关注。 1］．因此，关注者数量和关注者数量之间的差异可能并不能反映实际好友的数量。有可能的是，关注人数和关注人数之间差距较大的人可能在Twitter上有更多的实际朋友，他们会向这些朋友提供陪伴支持。

可能还有其他的解释。例如，由于体育活动的陪伴支持需要两个人或更多的人在地理上的可达性和邻近性，用户之间的离线关系是不可或缺的。因此，关注人数和关注人数之间差距较小的人可能通过其他线下渠道接受和提供陪伴支持，如面对面、电话、短信，甚至通过彼此之间的直接推文，这些都是私人的，因此在我们的研究中无法检索到。

考虑到积极推文的流行率较低，而身体活动建模的比例较高，未来的干预应该鼓励人们不仅谈论他们的身体活动意图或参与，而且要表达身体活动的好处和他们的积极体验。

对SCT组件的推文研究表明，推特目前主要用于对身体活动的一般观察学习，而不是施加社会支持或社会消极。更创新的方法，如infovigil机器人，可以在推特用户发布任何关于体育活动的推文后，引导他们接受社会支持干预。 3.］．此外，基于在线口碑的前因和后果路径模型对推文进行研究[ 27]可以向公共卫生从业者提供具体的传播策略，可用于在推特上推广体育活动。未来的干预措施可以鼓励推特用户通过聊天提供关于体育活动的意见或信息，因为这项研究发现，大多数推特是意见领导的例子，而不是寻求意见的例子。

对于具有不同网络特征的Twitter用户的eWOM特征差异的研究，可以为未来Twitter上的体育活动营销干预的受众细分提供见解。关注者和追随者的数量与身体活动的eWOM效价之间的关联表明，鼓励积极讨论身体活动的干预措施可以从招募关注者和追随者较少的个体开始，观察和学习他们如何积极谈论身体活动。

因为拥有更多粉丝的人倾向于在Twitter上转发关于体育活动的意见或信息，这意味着公共卫生从业人员可以在未来的体育活动营销干预中瞄准拥有更多粉丝的人。公共卫生从业人员可以开发推特账户来推广体育活动，并鼓励推特用户关注这些账户，并将有关体育活动的推特转发给他们的追随者。

本研究的第一个局限性与抽样方法有关。这项研究使用了一组关键字来检索有关体育活动的推文。虽然根据体育活动问卷(成人)的体育活动核对表，编制了一份全面的关键词清单[ 44]， Ainsworth等人编制的体育活动纲要[ 45]，以及进行这项研究的中西部大学的健身项目和校内运动清单[ 46]，一些关键字没有被捕获的可能性(例如，具有等级关系的词)不可忽视。未来的研究应该探索更多的关键词词汇，使用查询扩展技术对相似的关键词进行分组。

第二个限制是缺乏Twitter用户的人口统计信息。在其他研究中也观察到了这一局限性[ 7］．然而，在这项研究中，不可能根据年龄和种族等不同的人口统计特征来确定在Twitter上谈论体育活动的差异。未来的研究可能会获得推特用户的许可，以收集他们的人口统计信息。此外，未来的研究可以检索用户聚合数据，并在个体用户规模上进行研究[ 6］．

第三个限制是缺乏Twitter用户的其他社交网络特征的信息。未来的研究将受益于收集关于互惠关注的信息，这表明了用户和关注者之间的互动交流的潜力[ 54］．此外，这项研究只使用追随者的数量作为影响力的指标。其他影响指标超出了研究范围;例如，在这项研究中，消息值(通过用户之间传递推文的频率来衡量)和名称值(通过其他用户在推文中提到名字的频率来衡量)都是不可测量的[ 41］．未来的研究可以检索更多关于信息价值和名称价值的信息，以帮助识别体育活动的意见领袖，并调查他们如何在Twitter上谈论体育活动。未来的研究还可以参照最近一项关于推特上处方药滥用的社交圈研究的方法，考察推特上关于身体活动的社交圈[ 10］．

第四，基于SCT考虑社会支持对个体身体活动的影响[ 32]，未来的形成性研究需要使用定性方法，如访谈或焦点小组，以探索使用Twitter作为社会支持平台的预测因素和障碍。研究结果可以指导公共卫生从业人员制定干预措施，鼓励人们通过Twitter上关于体育活动的eWOM提供更多的社会支持。

尽管所选推文代表随机样本，但检索和编码的关于体育活动的推文数量是有限的。首先，由于每天发布的推文数量巨大，本研究无法检索美国一整年的推文，以控制不同季节的身体活动变化。我们只把今年第一季度的推文包括在内。第二，虽然人工编码可以同时对eom的不同特征进行准确的分类，但由于人工编码的劳动强度，本研究中2名编码人员仅对1500条推文进行了编码。未来的研究可以使用众包实验进行大规模研究，以提供更广泛的关于美国推特上身体活动的eWOM的图景。在本研究中发明和测试的编码方案的指导下，未来的研究也可以探索机器学习的应用，并比较人类编码和计算机编码。随着推文数量的增加，未来的研究还可以根据地理区域将不同的身体活动和身体活动eWOM本地化[ 5， 6］．

本研究首次考察了Twitter上关于体育活动的eWOM内容。Twitter展示了聊天和身体活动建模(即意图、过去的行为和当前的行为)的潜力，以及中性地谈论身体活动。为了指导未来在Twitter上的体育活动营销干预，本研究还提供了基于用户资料信息(关注者数量和被关注者数量)划分受众的见解。拥有更多的粉丝与转发信息有关。关注者越少，关注者就越积极地谈论体育活动。拥有更多的追随者与中性地谈论体育活动有关。关注者和关注者之间的差距更大，与在推特上提到关于体育活动的友谊、社会支持有关。未来的研究可以将本探索性研究中使用的市场营销和公共卫生的创新视角应用到更大规模的信息流行病学研究中，这些研究也可以检查关于身体活动和其他健康行为的推文。