这个项目的数据是Twitter用户(Twitter用户名)发送给他们的追随者网络的140个字符或更少的短消息。Twitter数据被视为公共领域的现有数据，因此无需进行人工主体审查。

我们申请并获得了Twitter高级应用程序编程接口(API)平台的访问权限，该平台允许用户购买和查询自2006年发布第一条推文以来所有未删除的公开推文。我们从2017年10月14日至21日(即运动的第一周)的历史推特数据中购买了计数和完整的推文。不像其他社交媒体运动需要几个月的时间才能形成，#MeToo运动在第一周就有了最大的活跃度( 图1)，这也是我们将数据收集限制在这一时期的原因之一。在我们的分析中，我们只关注文本中带有“MeToo”的新颖或用户生成的英语推文。新奇的推文不包括对他人推文的回复，没有评论的转发，以及到其他网站或图片的链接。这是为了捕捉与特定用户绑定的帖子，并且这些帖子将对一个人的所有追随者开放。我们进一步将推文限制为带有地理标记信息的推文，将推文放置在美国(N=12,337;这一计数受到一些可变性的影响，因为它取决于查询的日期，并且只包括未删除的推文)。

图1显示了推特上每个标签创建前一天开始的新奇英语推文的每日计数(BlackLivesMatter, 2013年7月13日，MeToo, 2017年10月14日)。来自Twitter Premium API的计数因查询日期而异。这些计数提取于2018年8月14日。

用于内容分析的分析样本包括研究期间97%以英语为基础的新奇推文的全文和相关元数据(N= 11935)。 图2给出对捕获和分析的推文样本进行过滤的流程图(见 多媒体附件1参阅遴选过程的详情)。

我们首先提出证据，证明我们选择用于分析的美国新颖的#MeToo英文推文样本，在时间趋势方面与所有新颖的#MeToo英文推文具有可比性。我们绘制了从10月14日开始的每小时#MeToo推文数量的图表，以显示比较所有#MeToo推文、新颖的#MeToo英文推文和基于美国地理标记的新颖的#MeToo英文推文的时间趋势。我们还报告了这些类别中每小时推文数量的相关定量测量(Pearson相关和决定系数)。

在分析数据之前，两位作者回顾了运动第一周的大约2000条推文。在此初步回顾的基础上，我们选择将分析的重点放在性侵和性虐待的第一人称披露和童年性侵和性虐待的经历上。这些推文显示了几类带有#MeToo标签的评论。其中包括(1)以#MeToo为主题的推文，这些推文是支持声明(例如，“有多少不在聚光灯下的女性有#MeToo #Notaceleb #StillAStar。为他们骄傲!正如博斯所说:“每个人都很重要，或者没有人重要””)，(2)对事件进行模糊揭示的陈述(例如，“我也是”和“将它埋藏了很多年，甚至没有真正意识到它对我的影响。”)，(3)对事件进行详细揭示的陈述(例如，“我在8岁的时候被一个家庭成员性侵犯 (原文如此)它永远不会结束，在你毁了别人的生活之前，请记住这一点”)，以及(4)其他(即，负面评论，无关的内容，或利用标签;“这个周末没有看任何比赛@NFL @nflcommish @nflnetwork #我今年也没有买nfl的商品，已经退了# nfl周日票”)。

基于最初的回顾，我们选择关注第二和第三类，并创建了一个注释标题来分类第一人称爆料。对于明确发生过的事件的模糊陈述(即第二类)，例如透露了所谓的攻击者的姓名或情况，但对实际行动的细节很少，我们认为这种回忆可能反映了持久的创伤，应该被归类为公开的虐待或攻击。如果这些模糊的事件是在童年经历的，它将被归类为早期的虐待或攻击经历(“我是一个太害怕说话的孩子。直到今天，它仍然困扰着我”)。如果声明过于模糊，没有提及童年，或提供很少的细节，我们就不会将其归类为虐待(例如，“有时我们不分享的故事是那些影响我们并继续让我们害怕的故事”以及“试图在推特上发布我的#metoo时刻，然后删除了它，因为它仍然感觉是我的错。”你没有听到的声音震耳欲聋”)。对于第三类——基于所谓事件的最清晰的案例，我们根据所提供的细节将揭露的内容分为虐待或攻击和早期生活经历。 图3提供注释过程的示意图。

我们从以英语为基础的#MeToo推文中随机选择了650条推文的子集作为分析的训练集。根据我们的标题，两位作者对这650条随机选择的推文进行了分类。每条推文都按照两个主要维度进行分类:这条推文是否揭示了性侵犯和性虐待经历的细节，以及这些细节是否表明事件发生在早年。所有其他类型的推文(支持、过于模棱两可或其他)都被归类为没有透露虐待或攻击事件。我们用22岁的大致年龄(或大学或更早的教育)来区分和描绘早期的生活经历。这是为了将大学经历归入早期生活的范畴。所有其他推文都被归类为“其他”。两位作者对性虐待和性侵犯的分类一致性为94%，童年经历的一致性为98%。大多数关于虐待/攻击分类的分歧都发生在揭露模糊的案件上，这两种说法都有可能。大多数关于童年经历的分歧都发生在揭露的事件发生在过去的情况下。 Many cases point to an event in the distant past, but it was hard to ascertain the age of the poster at the time of the revealed event, because we did not have the current age of the poster. Given these minor differences in interpretation, we decided to use one author’s (BC) categorization in the training set. To assess our model performance, we used the other author’s (SM) classification in the test set for calculating positive and negative predictive values.

推文按照两个维度进行分类:如果他们披露了性侵犯和性虐待的经历(红色部分) 图3)，以及细节是否表明该事件发生在早期生活(橙色在 图3)．所有其他推文都被归类为“其他”。 多媒体附件2提供了作者进行分类的例子，这些分类以Ranger Cervix和Jaime Chandra在2016年年中创建的“强奸文化金字塔”图形版本1中的分类为指导[ 17］．

为了提供已披露推文的样本，我们在训练样本上使用了简单的监督机器学习方法——最小绝对收缩和选择算子(LASSO)回归模型，以在两个维度上找到用于分类的最具预测性的单词[ 18］．这使我们能够呈现最具预测性的词语，作为具有此类启示的推文的原型。

LASSO回归是经济学家使用文本作为数据并进行简单计算语言分析的常用工具[ 19］．LASSO是一个具有L1惩罚的惩罚线性模型，作为一种收缩方法来帮助执行特征/单词选择，以在监督学习环境中从候选单词列表中识别出最具预测性的单词。推荐使用这些方法，因为它们直观且可解释。LASSO回归优于ridge回归，后者是另一种带有L2惩罚的线性模型，因为它对变量选择更有效。此外，我们选择了LASSO而不是弹性净回归，当特征/单词之间存在大量相关性时，弹性净回归有时是首选的，因为我们发现训练集数据中的单词之间的相关性有限。

在移除停止词后，我们的训练集中有11931个独特的单词，来自650条推文。我们剔除了每个单词，检查了列表中的拼写错误，并考虑了至少出现在五条推文中的单词(和存根)，以限制样本的稀疏性，最终得到1186个独特的单词。从这些词汇中，作者选择了109个与性侵犯和性侵犯有关的词汇。这种过滤进一步限制了数据的稀疏性。然后，我们对650条编码为性侵犯/性虐待(或编码为早期生活经历)的推文和109个单词的矩阵使用LASSO回归，如果每个单词出现在每条推文中，则每个单词都被视为二进制标志。例如，如果推文中包含“强奸”或“强奸”一词，那么变量“强奸”就被编码为1。

LASSO模型最小化一个目标函数，这是一个有约束的普通最小二乘模型(OLS)，旨在寻找在编码为揭露性侵犯或性虐待的推文中具有最强预测能力的词。

方程1:,在那里为估计β系数的L1范数;这是所有β系数绝对值的和，和是预测结果相对于每个观察结果的实际结果的方差平方和。该算法与OLS相同，但增加了对大估计β系数的惩罚。惩罚的形式与L1范数驱动许多β系数的大小为零。这本质上使算法识别和选择最具预测性的特征/单词[ 18］．

LASSO模型在统计软件R([计算机程序]3.5.0版)中实现。奥地利维也纳:R统计计算基金会;2018)使用“glmnet”软件包。对LASSO模型的结果进行了十倍交叉验证。交叉验证允许我们选择具有最小均方误差或模型方差的λ值的模型。从这个选择的模型中，我们获得了一份关于揭露性侵犯/性虐待词汇的推文的35个最具预测性的单词列表，以及关于揭露性侵犯/性虐待早期生活经验的推文的34个最具预测性的单词列表。然后作者对这些单词列表进行了分类。

然后，我们使用相同的推文训练样本来训练支持向量机(SVM)模型，沿着相同的两个维度对其余的推文样本(N=11,285)进行分类——性侵犯/性虐待的经历和性侵犯/性虐待的早期生活经历[ 18， 20.］．

SVM是一种判别分类器，用于训练数据，在多维空间中定义一个分离的超平面，然后使用这个超平面对新数据进行分类。在训练集中，更接近潜在定义超平面的数据点(即支持向量)被赋予更多的权重。底层算法的目标是使用代价函数最大化支持向量数据点和分离超平面之间的裕度[ 18］．

在我们的例子中，我们有一个11931个唯一单词(维度)的矩阵和650个标记的结果数据。根据这些信息，算法定义了一个分离超平面。基于这个超平面，其余11285条推文被分类。在R软件中使用“RTextTools”包进行SVM模型操作。

我们用四个测试集评估SVM模型的分类质量，每个分类类别两个测试集，以估计阳性和阴性的预测值。为了计算正预测值(PPV)和负预测值(NPV)，我们对50条推文进行了四次采样作为测试集。前两个样本用于评估PPV和NPV对性侵犯和性虐待的模型预测。第二个样本用于评估PPV和NPV对性侵犯和性虐待早期生活经历的模型预测。鉴于训练集中使用了BC的分类，我们在测试集中使用SM的分类来评估模型。

对于前两个样本中的每个样本，一名作者(SM)评估了推文的内容，以揭示性侵犯和性虐待的经历。我们将人类评估的内容作为金标准，并计算SVM算法的分类与人类分类相同的时间比例。PPV的计算方法为真阳性数(人与算法的一致性)除以支持向量机算法发现的阳性数。NPV的计算方法为真阴性数除以SVM算法发现的阴性病例数。我们重复这一过程，并对后两个样本的内容进行手动分类，以揭示性侵犯或性虐待的早期生活经历，以计算PPV和NPV

基于这些分类，我们使用了之前经过审查的商业服务——人口统计专业服务(demographic Pro)。 21， 22]，以推断有过虐待/攻击事件及童年经历的个人的人口特征( 多媒体附件1他们的算法的描述)。然后，我们根据经验得出了每个发布事件的帖子的粉丝数量的25%-75%的估计。这使我们能够进行粗略的计算，以获取运动第一周揭露性侵犯/性虐待的推文的影响范围的下限。这一估计数字代表了潜在的Twitter用户数量，这些用户可能会被他们关注的人发布的性侵犯/性虐待信息曝光。

我们对推特上#MeToo运动早期对话的内容进行了首次定量文本分析，这是2017年推特上最大的标签运动[ 24以及最大规模的关于性暴力的公开讨论。我们使用机器学习在运动的第一周提供披露的范例。最具预见性的词语创造了一个揭露性侵犯/性虐待的推文内容原型。它们包括我们会想到的“摸索”和“强奸”，以及“喝醉了”、“睡着了”和“害怕”等状态。根据我们的模型，在运动的第一周，11%的新推文公开透露了性侵犯/性虐待的经历，6%的人透露了性侵犯/性虐待的早期生活经历。最初共享的女性主要是25-50岁的白人女性。从老海报上的推文来看，这些经历深深印在了这些女性的记忆中，并不是无关紧要的短暂事件。值得注意的是，在早期的对话中，非洲裔美国人相对于他们在推特上的表现不足。此外，考虑到推特上可能存在的连通性，我们估计有600万到3400万推特用户可能已经暴露在至少一次这样的详细披露中。

这项研究有一些关键的局限性需要注意。首先，基于经济上的考虑，我们无法在#MeToo运动的第一周内提取所有新颖的英语帖子。相反，我们选择关注那些在美国境内有地理标记的人。这一限制使得购买几乎所有符合这一类别的推文成为可能。为了检验这些推文的代表性，我们检查了与所有#MeToo帖子和新颖的英语#MeToo帖子相关的时间模式( 图3)．这一分析表明，新奇的英语地理标记推文的发布时间与新奇的英语推文没有什么不同。然而，如果允许Twitter对推文进行地理标记的用户系统地揭露性侵犯/虐待事件的频率与不允许Twitter对其推文进行地理标记的用户不同，那么我们的估计可能是不准确的。然而，我们注意到，用户可能会在他们发布MeToo推文之前的某个时间在推特上启用地理标签。因此，允许地理标记并不一定与MeToo推文有关。其次，我们只包括了关于#MeToo主题的英语推文，尽管在不同的语言中也有类似的运动(比如#YoTambien或#BalanceTonPorc)，而且我们确实检查了美国以外的推文。例如，基于英国或加拿大的英语#MeToo推文不包括在我们的数据中。同样，可能存在系统差异，这将影响我们的估计，因此，我们承认我们的估计反映了美国的对话。第三，虽然我们研究了发生在同一周的许多相关或反标签运动的时间动态，如#他虽然，#我相信你，#我听到了你，#我不会，#如何改变，但我们没有将这些纳入我们的分析中，因为这些标签是对#我也是帖子的回应。带有这些其他标签的推文内容不太可能揭露性侵犯/性虐待，而只是口头支持。 Future analyses could examine who voiced support rather than who revealed events. Fourth, we did not conduct network analysis examining common retweets, which would have had much greater reach. Our focus was on novel revelations that were rarely retweeted relative to support statements, which were often retweeted. Fifth, we only examined the first week of the movement. This was a deliberate choice because the movement went in many directions afterward, with calls to stop posting traumatic events because they triggered women [ 25或者要求男性发帖，而不是女性发帖并重温她们的创伤。最后，许多推文含糊其词，表明发生了一些事情，但没有足够的细节来确定是否存在虐待或攻击。尽管如此，我们还是基于对数千条推文的阅读使用了一致的方法。根据我们的注释，经过训练的机器学习估计值的NPV和PPV都很好。但是，不同的注释器可能会有稍微不同的估计。

尽管存在明显的局限性，但我们的研究结果强调了性侵犯/性虐待个人经历的大规模分享，充满了早期生活经历的叙述，这使得#MeToo运动得以传播，并在推特上广泛传播。此外，这些推文和这里提出的原型提供了丰富的细节，以补充传统上从调查数据和性侵犯和虐待幸存者的小型深入研究中获取的现有统计数据。原型提供了公众所看到的画面。这些坦率而坦率的陈述提醒了追随者和公众性暴力的严重性，以及性暴力通常是在早年经历并隐藏起来的。因此，描述性叙述可用于公共卫生调查的发展，以评估公众对性侵犯和性虐待的患病率、早期生活经历和持久创伤是否发生了变化或有了更深刻的理解。

本研究中提出的推文内容摘要突出了#MeToo运动早期阶段的初始对话和对话参与者的人口统计数据。虽然我们的研究结果反映了关于性暴力和最初参与者的公共话语的快照，但未来的工作可以检查全国对话的内容和方向，这些对话从那时起就有很多方向，并且因人群而不同。