我们的数据分析包括以下4个步骤 图1：

通过这些分析，我们旨在回答上面发布的三个rq。

使用推特爬虫收集2016年10月26日至2017年8月11日(289天)与Lynch综合征相关的推文[ 16]基于与林奇综合症相关的一组关键字(即“Lynch syndrome”、“#lynchsyndrome”、“lynchsyndrome”和“#lynch_syndrome”)，非英语推文被过滤掉。为了生成关键字列表，我们使用滚雪球抽样过程。我们从一组相关的种子关键词开始(例如，“lynch综合征”)。然后，我们用这些关键词在Twitter上搜索以检索tweets样本，评估检索到的tweets是否确实与Lynch综合征相关，并确定用于下一轮搜索的附加关键词。雪球采样过程迭代进行，直到没有发现新的关键字。我们选择了特定的时间段(即从2016年10月26日到2017年8月11日)，因为我们的rq之一是检查宣传活动的影响(即2017年3月结肠癌宣传月和3月22日Lynch综合征宣传日)。该数据集为我们提供了足够的样本来比较事件发生之前、期间和之后的影响(例如，推文数量的变化、外行人的情绪变化和讨论主题的变化)。

然后，我们按照GloVe[]使用的预处理步骤对tweet的内容进行预处理。 17]，并做了如下修改:(1)将所有标签(如#Lynchsyndrome)替换为“ PHRASE”(如“ Lynchsyndrome”);(2)用户提及(例如，“@MyGeneCounsel”)被替换为“”;(3)网址(如“https://t.co/fMmFWAHEuM”)被替换为“”;(4)所有表情符号都被替换为“”。

我们使用了两步流程将tweet分为3类(即，不相关的，与Lynch综合症相关的促销信息，以及外行人的讨论)。在第一步中，我们将推文分类为相关和不相关，而在第二步中，我们将推文进一步分类为与促销Lynch综合征相关的信息和外行人的讨论。由于数据集的大小，手动注释所有tweet是不可行的。因此，我们探索了两种方法来构建监督模型来对收集到的推文进行自动分类。我们拟合了一个CNN分类器，并建立了一个简单的基于规则的分类器。我们比较了两种方法的性能，并使用了平衡精度、召回率和F-measure的最佳性能模型。

在自然语言处理中，主题模型是一种统计模型，可以从文档集合中发现抽象主题[ 20.]。在本研究中，我们使用LDA算法来寻找总体Twitter数据中呈现的主要主题，包括与促销Lynch综合征相关的信息和外行人的讨论[ 21]。LDA是一种生成模型，它将每个文档(即我们的推文)表示为潜在主题的混合物，每个主题都可以以一定的概率生成单词。主题模型最重要的特性之一是，它们不需要事先对文档进行任何注释或标记。然而，与许多其他无监督聚类算法类似，主题的数量是一个需要先验确定的参数。我们尝试了三种不同的统计方法来寻找适合LDA的主题数量，具体方法如下:(1)Arun2010: Arun等人将LDA视为一种矩阵分解机制，可以将主题分布分解为矩阵因子。然后，他们计算了由这些矩阵因子导出的显著分布的对称Kullback-Leibler散度。他们观察到，对于非最优主题数量，散度值更高[ 22];(2) Cao2009: Cao等人认为LDA过程类似于基于密度的聚类算法。因此，寻找最佳主题数量的目标与寻找最佳簇数的目标类似，都是最大化簇内相似度，最小化簇间相似度[ 23];(3) Deveaud2014: Deveaud等人与Arun2010方法类似，使用了一种简单的启发式方法，通过最大化LDA所有对主题之间的信息散度(即Jensen-Shannon散度)来估计潜在主题的数量[ 24]。然而，这些统计方法并不总是收敛的，而且经常发现的主题数量不符合人类的判断。因此，对生成的主题进行额外的定性分析以确定其质量仍然是必要的。

在应用LDA算法之前，我们进一步预处理了Twitter数据，对单词进行归纳，并删除常用但与主题无关的单词，我们的目标是基于停用词列表(例如，“it”，“he”，“she”和“that”)来发现主题。我们在训练LDA模型时遵循了最佳实践。当我们通过LDA学习了每个主题的单词概率分布(以及这些主题在整个文档集合上的概率分布，即tweets)时，每个主题都可以自然地可视化为单词云，其中单词的大小与其在主题上的概率成正比。

为了了解每个话题的成交量趋势，我们还需要知道每条推文的主题。LDA模型还可以根据tweet的内容为每个tweet分配主题。正如LDA模型所描述的，每条推文都是主题的混合体，其中每个主题都有一定的概率出现在该推文中。因此，每个tweet的所有主题都有一个概率值，不太可能出现的主题具有较小的概率值。换句话说，分配给tweet的每个主题都有一个概率来表示tweet将如何被分类到该特定主题中。因此，我们需要确定主题概率值的截止值，以便为每条tweet分配一个准确的主题。在tweet被分配了多个主题的情况下，我们选择具有最高概率值的主题。

情感分析是一种流行的自然语言处理方法，经常用于从一篇文章中确定作者的观点、态度或情绪状态。情感分析的一个基本任务是对给定文本的极性(即积极、消极和中性)进行分类。主要有两种情绪分析方法[ 25]包括:(1)基于机器学习的方法，从标记的训练数据中构建分类模型;(2)基于词典的技术，如语言查询和单词计数[ 26将词汇选择与作者的观点联系起来。根据基于机器学习的方法，我们按照步骤2中用于情感分类的相同过程构建了一个CNN模型。训练数据包含1092条推文(即，我们从1500条随机推文开始;重复数据删除后，从外行人的推文中(即，我们只对外行人对Lynch综合征的态度感兴趣)随机选择1092条推文进行注释，并由两个编码员(YZ和LJRD)将其注释为积极，消极和中性三大类。科恩kappa是0.89，这表明两位程序员之间有着强烈的共识。我们咨询了第三个审稿人(JB)来解决两个程序员之间的分歧。

我们通过对主题建模和情感分析结果的分析，回答了这三个rq ( 文本框1)。

通过Twitter爬虫使用Twitter API [ 16]，从2016年10月26日至2017年8月11日共收集了16667条推文。经过预处理和去除非英语推文后，还剩下14564条推文。 图2显示了该时间段内英文推文的月分布。

注释任务创建了1000条随机tweet的黄金标准数据集。两位编码员之间有一个中等程度的一致(即，Cohen kappa=.72) [ 27]。第三个人审查了这些分歧，并将这些推文归入了适当的类别。我们探索了两种分类方法(即CNN模型和基于规则的分类器)并比较了它们的性能。由于数据集是不平衡的(即，大多数推文都是相关的，因为我们使用了非常具体的关键字来收集这些数据，并且促销推文比外行人的讨论更多)，我们使用加权精度，召回率和F-measure来衡量分类器的性能。

如图所示 表1尽管基于规则的分类器很简单，但它在这两个分类任务上都优于复杂的CNN模型。因此，我们使用基于规则的分类器对所有tweet进行分类。在14564条英文推文中，11860条推文被归类为相关推文。在相关推文中，有2705条属于外行人的讨论，11077条属于与Lynch综合征相关的宣传信息。

我们尝试了所有三种统计方法来寻找与Lynch综合征相关的推文(即被分类为相关的推文)中的主题数量。如图所示 图3，这三种方法都没有收敛，因此我们可以选择适当数量的主题。注意，我们没有给出y轴的单位 图3由于三种不同的度量有不同的单位。然而，度量的单位并不重要，因为目标是找到曲线的“弯头”点，这将表明主题的最佳数量。

因此，我们对10、15、20和30个主题进行了实验，并使用词云来可视化结果。在每次迭代中，改变主题的数量(K=10、15、20和30)，向两名编码员展示主题的词云和一组示例tweet，并要求他们根据自己的判断独立地为每个主题分配一个标签。每个编码员还被要求识别重复的主题和质量差的主题(即主题中的关键字没有代表一个连贯的概念)。然后我们选择了 K这产生了最少数量的重复主题和不充分的主题。我们确定最合适的主题数量是10个，并确定所有主题的标签。在编码人员不同意特定标签的情况下，通过与整个研究团队讨论来解决冲突。我们还将具有相似语义的主题合并到一个类别中。例如，“awareness事件”通常包含提高Lynch综合征意识的事件信息，而“awareness”主题中的推文则提高了Lynch综合征知识。因此，我们将“觉知事件”和“觉知”合并为“觉知/觉知事件”。最终提取的主题和相关的词云显示在 图4．

在生成主题后，LDA模型还能够为每条tweet分配主题概率分布。如图所示 表2， LDA为每个主题分配了一个概率值，即使某个主题不太可能出现在tweet中。因此，我们需要找到一个截止概率值来提取每条tweet的主要主题。我们首先生成了50条tweet的随机样本，并迭代测试了不同的截止值。在每次迭代中，我们评估分配给50条tweet的截止概率值以上的主题，并手动确定分配是否合适。我们选择了每条推文产生最小主题数的截止值，准确率在80%以上(即超过80%的推文通过人工审核获得了正确的主题分配)。结果，一些推文被分配了多个主题，而另一些则没有任何主题。 表3显示每个主题中的tweet示例。

我们用1092条带注释的推文训练了一个情感CNN分类器。我们遵循机器学习实验中的最佳实践来构建CNN，例如，使用80%的推文作为训练数据集，并在剩余20%的保留测试集上测量分类器的性能。CNN分类器的性能比较合理(precision: .737, recall: .766, F-measure: .736, accuracy: .766)。

我们研究的目的是了解与Lynch综合征相关的健康信息如何影响外行人在Twitter上的讨论。我们对Lynch综合征相关推文进行了主题建模和情感分析，回答了以下3个rq:(1) Lynch综合征相关推文中讨论最多的话题是什么?(2) Twitter上与Lynch综合征相关的宣传信息如何影响外行人的讨论?(3)大肠癌宣传月和Lynch综合征宣传日的Lynch综合征宣传活动对外行人的讨论和态度有何影响?我们发现，“意识”、“治疗”和“基因检测”是林奇综合征相关推文中最受欢迎的话题。此外，与社交媒体上讨论的其他话题相比，外行人对“治疗”和“基因检测”的态度相对消极。Twitter上与林奇综合症相关的信息大多集中在治疗和基因检测上，这并不奇怪，人们对这些话题的态度更为消极，因为他们担心患癌症的风险更高或癌症诊断为阳性的可能性，担心成本和诊断方法的质量(例如，“我患过两次癌症，我一直担心三次。没有医疗保险让我心碎”和“lynch综合征的基因检测费用”)。

促销性Lynch证候相关信息的话题分布与外行人的讨论相似。特别是，外行人对“意识”的讨论与Twitter上Lynch综合征相关的宣传信息高度相关，而对“筛查”、“基因检测”、“治疗”和“风险”的讨论则适度相关。这些结果表明，医疗机构和专业人员在Twitter等社交媒体平台上发布的促销信息可能对外行人产生重大影响。在某种程度上，我们的结果为在新的数字媒体上进一步开发新的癌症传播策略提供了证据[ 29]。

此外，健康相关意识活动和倡议，如3月结肠癌宣传月和3月22日林奇综合征宣传日，对外行人对健康状况的讨论、看法和态度有很大影响。我们对每月推文量趋势的分析显示，卫生组织和专业人员在这些宣传活动期间共同努力在推特上传播与Lynch综合征相关的宣传信息。此外，他们的努力对提高外行人对特定健康话题的认识产生了很大影响，这从这些意识活动期间外行人的推文数量增加中可以看出。此外，我们还观察到外行人在这些事件中有更积极的态度，如图 图10．有趣的是，在这些意识活动中，外行人对“广告”和“意识/意识事件”等特定话题的态度比其他话题更积极。态度的变化可以用社会影响理论来解释[ 30.， 31]。当外行人获得更多关于结直肠癌和Lynch综合征的积极信息时，他们对健康状况有了更好的理解，并感知到更好的健康结果，这可能会导致更积极的思考。

积极影响外行人对Lynch综合征的态度和规范性信念的可能性，使我们有机会根据行为改变理论设计新的癌症预防和控制的参与性沟通策略。例如，在计划行为理论中[ 32]，态度和规范性信念都可以塑造个人的行为意图和行为。然而，从我们的结果中可以明显看出，如 图7- 10与林奇综合症相关的推文数量和外行人的积极情绪在意识事件后都有所下降。这些结果表明，这些意识活动可能需要经常举办才能产生持续的效果。

与传统媒体(如报纸、电视广告、传单)相比，在社交媒体上设计合适的推广策略需要更多的考虑。卫生组织和专业人员需要考虑社会媒体可以提供什么样的信息，以及宣传信息如何实现其目标(例如，加强与受众的沟通以促进公众参与)。在我们的数据集中，许多与Lynch综合征相关的促销信息确实遵循了在社交媒体上发布健康促进信息的建议[ 33- 35]，特别是传播重要的健康信息(例如，分享新闻、研究成果和林奇综合症的基本知识)和吸引公众参与(例如，结肠癌宣传月和林奇综合症宣传日)。

正如我们的研究所证明的那样，社交媒体在健康宣传中的使用正在迅速扩大。衡量这些健康促进战略的执行情况变得越来越重要。Neiger等人提出了一套关键绩效指标(kpi)和指标，用于评估社交媒体中健康促进的绩效[ 35]。kpi有四个指标，分别是:(1)insight(如社交媒体消费者反馈)，(2)exposure(如某条推广信息被浏览的次数)，(3)reach(如浏览过该推广材料及相关内容的人数)，(4)engagement(如在帖子上点赞、分享和转发、参与线下活动)。我们的研究结果可以为这些关键指标提供更深入的见解。例如，情感分析结果将提供更多关于用户对这些健康促进事件的态度的细粒度信息，而不是简单的“点赞”。

我们的研究侧重于分析与Lynch综合征相关的推文文本，而Twitter收集了更多关于推文(例如，通过转发的推文之间的链接)及其用户(例如，用户位置，朋友和关注者)的信息。可以利用这些信息对Twitter上与健康相关的主题进行更深入的分析。例如，通过对转发网络进行建模，我们可以通过对社交网络的分析来研究推广健康信息是如何在Twitter上传播的。

首先，为了对推文进行自动分类，并为每条推文分配一个情感，我们采用了计算分类方法，其准确率并不完美。这种不完美使得在微观尺度上(即在单个tweet上)有可能得到不正确的结果。然而，考虑到我们的数据量很大，在宏观尺度上的结果应该是一致的。此外，我们将推文分类为与Lynch综合征相关的促销信息和外行人的讨论。然而，我们归类为外行人讨论的一些推文可能来自卫生专业人员和卫生倡导团体。缓解此问题的一种方法是根据Twitter用户配置文件识别这些用户，并相应地对其tweet进行分类。此外，Twitter用户的人口统计数据(如年龄、性别、种族和民族)可能是我们分析中需要控制的混淆变量。然而，并没有一种简单的方法来确定Twitter用户的人口统计数据，因为Twitter并不要求其用户提供此类信息。

第二，主题建模只能在高层次上提取抽象主题。这些抽象的主题往往有更深入的方面需要探索。例如，“基因检测”可以进一步划分为更细粒度的方面(例如，基因检测的成本和基因检测的准确性)。解决这个问题的一种方法是开发一本编码书，并用细粒度主题手动注释每个单独的tweet。然而，这样的过程是劳动密集型的，并且对于大量的Twitter数据几乎是不可能的。一个可能的解决方案是标记tweet的一个小随机样本，然后开发监督分类器(类似于我们用于情感分析的方法)来自动标记其余数据。

第三，Twitter用户并不能代表一般人群。总的来说，大多数社交媒体用户往往更年轻;2017年，71%的推特用户年龄在49岁以下。 36]。

许多研究使用情感分析和主题建模来分析与健康相关主题的社交媒体数据。Doing-Harris等人设计了一个主题分类器，并确定了患者评论的共同主题，以了解患者对医疗服务的满意度[ 37]。Lu等人确定了热点话题，并测量了不同利益相关者的情绪表达，以了解他们的不同观点[ 38]。Guillory等人利用Twitter数据基于讨论主题和情绪分析电子烟讨论[ 39]。Wang等人使用关键词匹配和主题建模以及对社交媒体数据的定性方法来了解有关污染水平和公众反应的可操作信息[ 40]。Davis等人对Twitter数据进行情绪分析，以了解公众对奥巴马医改的反应[ 41]。据我们所知，我们的研究是第一次使用Twitter数据来了解促销健康相关信息与外行人讨论之间的相关性。

我们的研究结果提供了证据，证实了卫生组织和专业人员在社交媒体平台上广泛推广的意识倡议和活动的积极影响。此外，更深入地了解这些宣传信息和活动如何影响个人的态度和他们所感知的社会规范，可以使我们更好地设计健康行为干预措施。一些未来的方向可以进一步促进我们对促销信息对外行人的影响的理解。例如，它将通过检查Twitter用户的个人资料和宣传材料的来源(按照tweet中的链接)提供额外的上下文和信息。然而，需要开发更先进的自然语言处理工具和机器学习模型来处理大量的Twitter数据。