缺乏体育活动是一种可改变的危险因素，可导致越来越多的慢性疾病，包括心血管疾病、高血压、2型糖尿病、结肠癌、骨质疏松和抑郁症[ 1- 5］．目前，许多美国成年人缺乏体育锻炼，没有达到建议的体育活动量(每周150分钟中等强度的有氧运动)[ 6］．此外，在美国，体育活动的流行程度因地理区域而异[ 7］．不同地理区域身体活动比率的不一致性已经成为公共卫生机构的首要任务之一——收集人口水平的身体活动数据。这些流行病学数据可以帮助确定不经常进行体育活动的群体和人群以及这些人居住的地点[ 8- 10］．地方公共卫生机构可以利用这一信息部署适当的资源，针对健康促进工作，提高缺乏体育活动地区的体育活动水平。事实上，一些研究已经证明了使用社交媒体和基于互联网的干预措施在人口水平上促进身体活动的可行性[ 11- 15］．关于不经常进行体育活动的群体和个人位置的实时流行病学数据可能进一步增强公共卫生机构个性化和针对性干预措施的能力。

使用基于人口的调查研究来监测身体活动的现有方法需要改进。目前收集身体活动数据的方法存在一些局限性[ 10， 16］．首先，在美国，体育活动调查数据的报告需要2到3年的滞后时间，而调查本身可能是耗时和资源密集型的。对于许多调查来说，数据的稀疏性可能是一个挑战，因为回复率可能不会因地点、人口统计或人口而一致变化。因此，需要创新的研究方法来补充和完善身体活动监测的现状。

社交媒体的使用在过去十年中迅速增长，[ 17，研究人员一直在研究使用方法 社交数据更好地了解和监测公共卫生问题 实时［ 16， 18］．这个不断发展的研究领域被称为 infodemiology或 infoveillance研究[ 19， 20.］．社交媒体技术，如Twitter，允许用户通过分享短信息来相互交流。用户可以在这些社交媒体平台上分享他们的想法、感受和意见，因此，社交媒体数据可用于提供行为结果的实时监测，为健康行为提供信息[ 21］．来自Twitter的社交媒体数据的一个独特之处在于，这些帖子是公开的，并带有地理标记，因此，所有互联网用户，包括健康研究人员，都可以随时访问这些数据。此外，Twitter的独特之处在于标签的使用( #)，允许用户高亮显示并允许其他用户关注感兴趣的相关主题。鉴于这些网站的高使用水平，它们收集了大量的数据(例如，推特上每天超过5亿条推文)[ 21］．

最近的信息流行病学研究报告称，来自社交媒体技术的数据可以与其他生物医学数据集结合，以帮助预测健康结果[ 16， 22- 25］．分析Twitter非结构化文本数据的主要方法包括关键词出现频率(信息流行率和信息出现率分析)和推文的情绪[ 10， 19］．这些方法并不相互排斥，因此可以一起用于监测身体活动。信息流行率和信息发生率衡量的是绝对的或相对的 频率某个关键字出现的次数。社交数据的数量在不断增加;因此，规范化指标(如信息发生率)可能比信息流行率的绝对数字更有意义[ 19］．最后，情绪分析可以确定一个人对一个话题的态度或感知是积极的、消极的还是中立的。通过应用这些方法，研究人员已经表明，社交数据可以用于识别与心理困扰、焦虑和抑郁相关的症状[ 22]并确定传染病的爆发，例如流感的传播[ 26， 27和艾滋病毒爆发[ 24］．此前也有研究报道，与身体活动相关的推文的频率和推文的情绪与肥胖率有关[ 28]、社会差距和美国都市统计地区(MSAs)的健康指标[ 29， 30.］．目前，尚不清楚这些分析体育活动相关推文的方法能否在控制社会经济不平等和教育水平的情况下，应用于全美县级层面的体育活动水平监测。

本研究的目的是通过评估与身体活动相关的推文的频率和情绪是否与美国各个县的身体活动水平相关，建立使用推特数据监测身体活动水平的可行性。

使用Twitter的应用程序编程接口(API)收集2017年1月10日至2018年1月2日的推文(n=442,959,789)。捕获的推文代表了在选定时间段内发布的所有推文的1%的随机选择。只有 定位保留坐标为-162.354635、18.756125、-53.755999、73.893030定义的边界框内的tweet进行分析。此外，还进行了额外的处理，以过滤掉坐标并非来自美国的推文，最终样本为64,005,336条推文。为了在县一级对推文进行分类，使用美国人口普查局的地图边界形状文件创建了一个反向地理编码管道，为每条推文分配联邦信息处理标准代码。

一份与体育活动相关的标签列表被编译 多媒体附件1)以识别可能与锻炼或体育活动有关的推文。这些话题标签结合了最流行的与体育活动相关的话题标签和美国运动医学学院(ACSM)发布的运动测试指南。 31］．ACSM指南之所以被使用，是因为它提供了一个广泛的与身体活动相关的关键字的列表，这些关键字已经建立起来，而且这种方法在以前的研究中也被使用过[ 28， 31］．如果一条推文的标签中包含一个或多个与体育活动相关的关键词，它就会被归类为与体育活动相关的推文。尽管之前的研究依赖于与运动相关的关键词字典(例如，来自《身体活动纲要》和ACSM运动测试指南)来对推文进行分类，使用话题标签有两个重要的优势:它们可以被解析为与推文不同的实体，可以代表更具体的多词短语[ 28， 29］．因此，使用话题标签比使用字典或关键字列表(例如， 走而且 冲浪可能在身体活动之外有多种含义，然而 # 30 daysoffitness不太可能)。以前的研究也讨论了这一分类任务的难度，要么选择通过强加额外的规则来提高精确度(例如，需要为通常模棱两可的术语提供额外的上下文，如 运行)放在基本字典单词核对表的最上方，或选择不应用任何额外过滤，以避免为抽样方法引入额外偏差[ 29］．尽管使用话题标签并不能纠正管理偏差的问题，但它确实允许针对文本进行比常规单词更具体的匹配，同时还保持了简单条目列表的简单性。这本质上是在损失召回率或灵敏度的情况下权衡提高的精确度，但确保传递给情绪分析管道的不相关tweet更少。

使用情感分析技术来研究微博服务，如Twitter，是一个丰富而活跃的研究领域。情感分析为文本文档指定极性，如标签 积极的， 负, 中性描述写信人的态度。当应用到一个主题时，情绪分析可以用来预测或推断这些态度，主要基于文件的集合。本研究利用了Baziotis、pelkis和Doulkeridis为2017年语义评估国际研讨会(SemEval)创建的情感分析模型[ 32， 33］．该模型在Task 4的子任务A中排名第一( 推特中的情感分析)，并采用了一种具有注意机制的双向长短期记忆神经网络[ 34］．

身体活动水平和年龄调整后的身体活动水平是从行为风险因素监测系统(BRFSS)调查中提取的，该系统提供了2014年以来县级身体活动水平的数据。BRFSS由疾病控制和预防中心管理。作为调查的一部分，参与者被要求自我报告业余时间的体育活动(例如，在过去的一个月里，除了你的正常工作，你是否参加了任何体育活动或锻炼，如跑步、健美操、高尔夫球、园艺或散步锻炼?)自我报告的闲暇时间身体不活动确定从回答 没有回答问题。BRFSS的身体活动数据收集的是18岁及以上的成年人，因此BRFSS也报告了基于美国标准人口的年龄调整的身体活动数据。社会经济地位的衡量指标，如基尼指数，来自美国社区调查。

体育活动推文的频率统计了每个县的数据，并与BRFSS数据、基尼指数数据和接受过大学教育的县的百分比的体育活动水平合并。基尼指数提供了收入不平等的标准化估计，可用于县与县之间的比较。在体育活动的背景下，包括基尼指数和教育水平是相关的;这些变量与身体活动水平有关[ 35］．

使用双变量Spearman相关性来确定与体育活动相关的推文数量(包括积极的、消极的和中性的推文数量)、基尼指数、教育和体育活动数据之间的关联。然后应用多元线性回归模型，在控制基尼指数和县域教育水平的情况下，找出与体育活动相关推文的比例、推文的情绪(积极与消极体育活动相关推文的比例)与体育活动数据之间的关联水平。比较了这些模型的相对性能。所有分析均采用IBM SPSS 24.0 (IBM Corporation)进行。

这项研究评估了使用Twitter数据监测身体活动水平的可行性，方法是评估是否可以从Twitter中提取带有地理标记的关于身体活动行为的对话，以及是否可以使用与身体活动相关的推文来监测身体活动水平。结果表明，从Twitter中提取与身体活动相关的地理标记对话是可行的。此外，研究结果表明，与体育活动相关的推文与体育活动水平之间存在显著关联，同时考虑了美国县级收入不平等、人口和教育的基尼指数。然而，在一个县的层面上，与体育活动相关的推文和体育活动水平之间的总体关联很弱。

探索与体育活动相关的推文和县级体育活动水平之间的关系具有几个重要的研究意义。首先，这些发现支持了使用非传统数据源(如社交媒体数据)来监测体育活动相关行为的持续研究。其次，我们的研究结果展示了一种潜在的应用，即使用社交媒体数据作为一种补充工具，以帮助对人群层面的身体活动进行历史和实时跟踪。本研究的一个优势是在我们的模型中控制了相关的人口因素，如收入不平等和不同地理位置的教育。最后，体育活动研究人员可以在本研究中使用的方法的基础上，找到使用社交媒体数据监测体育活动结果的新方法。体育活动研究人员可以利用这些社交媒体分析技术建立模型，实时预测体育活动水平。本研究中使用的分析方法将来可以帮助公共卫生机构确定与体育活动相关的特定趋势或关注的地理区域，以重点关注其健康和健康举措。

这项研究的发现验证并扩展了之前发表的工作，即推文的内容可以潜在地用于监测和预测行为和健康结果[ 10， 16， 22］．值得注意的是，尽管我们没有显示出与体育活动相关的推文的情绪与县级上年龄调整的体育活动之间的显著关联，但之前的研究已经表明，推文的情绪可以用来预测健康结果。具体来说，之前的一项研究报告称，在190个美国msa中，积极情绪推文与较低的肥胖率适度相关[ 28］．这些研究结果表明，情绪分析可能不是一个县水平的身体活动水平的适当估计，但仍可能是一个在MSA水平的其他健康相关结果的适当估计。

尽管像这样的信息监测或信息流行病学研究对流行病学来说是很重要的，要避免 生态谬误［ 19]，对于未来的研究来说，在个人层面上检验社交媒体数据和身体活动水平之间的关系至关重要。研究体育活动的流行程度是一个复杂而微妙的话题，它可能受到个人周围环境的强烈影响。通过纳入每个县的收入不平等和教育水平的基尼指数数据，我们能够获得更好的模型性能。然而，未来的研究将需要调查是否可以将其他已知的指标或指标(如建筑环境)合并到Twitter数据中，以创建预测身体活动的精度更高的模型。

这项研究有几个局限性。推特数据和身体活动数据之间存在滞后时间和时间框架差异。作为BRFSS年度调查的一部分，最新的县级体育活动数据来自2014年。此外，对于任何带有地理标记的Twitter数据采样，都必须注意到存在固有的偏差。对该平台上人口统计数据的研究发现，总体上，该平台向更年轻、更富有的人群倾斜。 21]，以及少数群体和城市人口在查看带有地理标签的推文时的代表性增加[ 30.］．这意味着观察到的与身体活动相关的推文和身体活动之间的关系需要谨慎解释，因为某些人口或地区群体可能倾向于特定的身体活动水平。尽管如此，这项研究是一项可行性研究，其主要目的是评估社交媒体对话是否可以提取出与体育活动相关的行为，并用于监测人口水平的体育活动。其次，我们只使用了一个社交媒体数据来源(Twitter)，因此限制了我们研究结果的普遍性。使用Twitter API 橡胶软管使用地理过滤的方法还将数据收集限制在任何给定时间范围内发布的所有推文的随机样本不到1%。未来的研究将需要探索是否可以使用多个数据源(如Twitter、Facebook和Instagram)来提高模型的准确性，以利用特定社交媒体平台之间的用户重叠，以及在更长的数据收集周期内。最后，这种性质的研究在很大程度上依赖于分类器的准确性，以标记与身体活动相关的推文并进行情感分析。特别是，情绪分析提供的细粒度过滤似乎没有在适合度或分类精度方面提供显著的改进。应该注意的是，这种复杂或综合特征未能改善模型质量的现象早已经被观察到[ 28］．后续研究可能会用机器学习分类方法取代我们的标签列表分类器，以潜在地发现关键字、文本结构或其他可能用于提高精确度和回忆率的特征，并尝试使用最先进的情感分析技术来构建和训练更适合这一特定Twitter数据子集的定制分类器。

下一步，我们还可以从推特数据中提取其他可能的特征，这些特征可能会被测试与身体活动水平的关联。尽管这项研究只专注于通过关键词过滤Twitter数据并进行情感分析，但可能还有其他自然语言处理技术可以应用于数据集[ 16， 36］．未来的研究可以在更大的推文和身体活动数据的纵向数据集上研究训练预测模型。如果成功，这样的模型可以利用社交媒体数据有效预测身体活动和不活动的水平。

这项研究评估了使用社交媒体数据监测逐县体育活动水平的可行性。本研究的结果表明，从Twitter数据中识别带有地理标记的体育活动相关对话并将其链接到基于人口的体育活动结果数据进行分析是可行的。我们发现，推特上的对话与美国县级体育活动水平之间的关联很弱。未来的研究可以建立在本研究中使用的方法上，进一步完善使用实时社交媒体数据监测身体活动水平的模型。