2018年4月至12月期间，我们使用Netlytic [ 22软件收集公开的Instagram帖子。我们通过访问Instagram的公共应用程序编程接口收集数据，满足公司的公共数据服务条款，每小时收集多达100个新帖子。如果每小时有超过100个带有特定标签/关键字的帖子，则只有最近的帖子被检索到。2018年12月，Instagram关闭了其应用程序编程接口，通过Netlytic收集数据不再可能[ 23］．因此，本研究的所有数据都是在应用程序编程接口关闭之前收集的。本研究中的数据收集方法与之前Instagram研究中使用的方法相似[ 10， 18， 24］．

根据之前关于这一主题的社交媒体研究[ 4- 6]并努力最大限度地增加相关帖子(即信号)的数量，同时限制无关帖子(即噪音)，我们使用标签搜索标准“#HPV”，“#HPVVaccine”和“#Gardasil”。这3个标签创建了3个独立的数据集，共计126,327个帖子。我们在删除重复的帖子后创建了一个合并的数据集(n=48,921)。在这个合并的数据集中，我们使用谷歌的翻译应用程序编程接口排除了非英语帖子(占样本的三分之二)[ 25]以创建16,607个帖子的最终样本。我们的样本中没有私人Instagram帖子。所有的研究程序都由德雷塞尔大学的机构审查委员会批准。

我们从16607篇文章中随机选择了1660篇(约占最终样本的10%)来创建子样本进行内容分析。子样本中与HPV疫苗无关的帖子(例如，更普遍的HPV或另一种疫苗)未被分析(n=757)。此外，如果我们无法通过数据集(n=298)中的超链接访问图像，则不分析子样本中的帖子。如果帖子在数据收集后已被删除，或者用户更改了帐户隐私设置，则工作超链接不可用。我们的内容分析子样本包括605篇文章。帖子的图像、标题文本和整体帖子属性(即来源、上下文/风格和情绪)的明显特征使用代码本的修改版本进行编码(参见 多媒体附件1)之前测试了分析hpv相关Instagram帖子的可靠性[ 10］．

基于对文献的回顾，我们将错误信息的要素分为四个大维度:1)错误信息理论领域，2)疫苗辩论主题，3)证据基础，4)健康信念。错误信息理论领域来自Zhou和Zhang [ 26，包括隐瞒(即声称揭露谎言)、矛盾心理(即提出问题)、扭曲(即歪曲原始信息)和伪造(即编造信息)。疫苗辩论的主题包括反疫苗社区共有的共同主题和想法，包括疫苗无效、公民自由、替代医学、意识形态和阴谋论[ 27］．证据基础被定义为作为关于HPV疫苗断言的基础而引用的信息类型，包括纳米出版物(如学术手稿)、疫苗损伤故事和未经证实的声明(即没有提供科学证据)。最后，我们纳入了健康信念模型[ 28]，捕获了疫苗相关损伤和疫苗可预防疾病的风险(即严重程度和易感性)，不接种疫苗的障碍和好处，以及不接种疫苗的自我效能(即行动线索，感知的行为控制)。所有错误信息元素都是独立编码的，并不相互排斥。

子样本的内容分析由研究小组的四名成员完成，他们之前曾分析过Instagram上的HPV疫苗帖子[ 10］．研究小组对多个样本的帖子进行了分类，并通过反复审查和改进代码本解决了编码差异。该编码方法已广泛应用于社交媒体内容分析[ 4， 5］．我们完整的代码本作为补充材料提供，定义每个子域( 多媒体附件1)．

为了识别帖子标题文本中是否存在关键词，我们在表示与HPV疫苗特征相关的主题的字符串中搜索字符(例如，“癌症”、“CDC”)。我们还搜索了帖子元数据来识别标签;提到;meme;如果包含了某个地点，还需要相关的社交媒体特征。然后对照-à-vis疫苗情绪检查了标题文本和社交媒体特征。

我们构建了Instagram帖子与编码HPV疫苗术语和特征之间关系的2模式关联网络。我们构建了两个网络:(a) 580 x 14的“一般”网络，包括580个支持和反疫苗帖子以及所提到的14个术语;(b) 256个反疫苗帖子和23个错误信息维度/域/主题和标签的256 x 23子网络。细胞 Xij在每个网络的矩形矩阵中，如果一个帖子提到了一个特定的术语，则取值“1”(在抗疫苗网络中，如果一个帖子与特定的领域/维度/主题相关联，则取值“0”)。我们还捕获了相关的职位特征(“属性”);这包括在帖子中出现文本/图像、社交媒体功能(如链接)和其他整体功能(如帖子情绪、来源和上下文)(适用于“一般”网络和反疫苗网络)。这些网络的结果可视化，由UCINET/Netdraw [ 26软件的图论弹簧嵌入算法 图1而且 2．

我们使用UCINET软件[ 29来计算度中心性。度中心性是一个指标，显示单个节点的连接程度或受欢迎程度，以及这样一个节点通过网络传递信息的可能性。度中心性度量每个节点连接到的其他节点的绝对数量。此外，UCINET的核心-外围程序确定了关键内容集群的存在，区分一般疫苗网络和抗疫苗网络中的“核心”和“外围”特征。核心-外围分析允许检查分组聚集和就共同感兴趣的问题进行交流的程度，以及内容集群如何围绕不同且松散连接的主题、帖子或问题进行分组[ 30.］．

统计分析包括单因素分析和双因素分析，并在STATA/IC Version 15软件中进行[ 31］．对支持疫苗和反对疫苗的员额分别和汇总进行了简单的描述性统计。在支持和反对疫苗的职位中， t测试和方差分析(ANOVA)通过职位特征评估“喜欢”数量的差异。卡方检验评估了支持疫苗和反疫苗职位之间特征分布的差异。

在我们子样本中的605个相关和工作岗位中，一小部分(n=25, 4.1%编码岗位)被确定为中立(即，既不支持也不反对疫苗)，因此被排除在后续分析之外。因此，最终的分析样本包括256个抗疫苗职位和324个prov疫苗职位(n=580)。

在整个码本开发过程中，使用百分比一致性评估编码器之间的可靠性(平均一致性=0.87,SD=0.09)。在代码本开发之后，研究成员被随机分配了唯一的帖子样本来编码，以及额外的共享帖子样本来再次评估编码器之间的可靠性(平均一致性=0.85,SD=0.09)，以确保我们的编码过程是严格的和可复制的。个体编码的一致性范围从0.67(疫苗相关损伤的易感性)到1.0(不接种疫苗的障碍)。

表1总结了编码的帖子特征和社交媒体特征，以疫苗情绪为层次。以prov疫苗为主(324/580,55.9%)。个人是最常见的职位来源类型(245/580,42.2%)，其次是卫生非个人(151/580,26.0%)，一般非个人(102/580,17.6%)和卫生个人(82/580,14.1%)。与个人叙述(178/580,30.7%)相比，近7 / 10的帖子包含信息或资源(402/580,69.3%)。许多帖子的视觉效果要么只有图像(187/580,32.2%)，要么是文本和图像的非信息图组合(173/580,29.8%)。大多数职位至少包括一人(329/ 580,56.7%)，如符合接种疫苗条件的儿童(269/ 580,46.4%)、卫生专业人员(91/ 580,15.7%)或父母/照顾者(30/ 580,5.2%)。女性被描述的频率是男性的两倍多(女性=134/ 580,23.1%;男性= 58/580,10.0%)。与prov疫苗的帖子相比，反疫苗的帖子获得了更多的点赞(平均点赞数分别为220.9个和86.3个; P= .003)。包含个人叙述的帖子比包含信息/资源的帖子获得了更多的点赞(平均点赞数分别为217.5个和114.0个; P= .033)。

支持疫苗和抗疫苗职位之间的特征存在显著差异(见 表1)．与prov疫苗职位相比，反疫苗职位更有可能来自非卫生人员(164/256,64.1%，反疫苗vs 81/324, 25.0%， prov疫苗; P<.001)，包括个人叙述(95/256,37.1% vs 83/324, 25.6%; P =(21/256, 8.2% vs 9/324, 2.8%; P= .003)。反疫苗帖子也更有可能提到另一个Instagram用户(115/256,44.9%反疫苗vs 87/324, 26.9% provvaccines; P<.001)，包括一个链接(75/256,29.3% vs 51/324, 15.7%; P<.001)，或者是另一篇文章的转发(79/256,30.9% vs 23/324, 7.1%; P<措施)。prov疫苗帖子比抗疫苗帖子更有可能包含位置信息(80/324,24.7% vs 9/256, 3.5%; P<措施)。最后，疫苗情绪是包含哪些标签的重要决定因素，反疫苗帖子使用#Gardasil的频率明显高于provaccine帖子( P<.001)，以及使用#HPV的provaccine帖子( P<.001)和#HPVvaccine ( P<.001)高于抗疫苗职位。

表2仅给出来自反疫苗帖子的错误信息元素的编码结果和平均喜欢计数(n=256)。隐瞒和扭曲是最常见的错误信息理论领域(分别为135/256,52.7%和84/256,32.8%)。最常见的疫苗辩论主题是阴谋论(144/ 256,56.3%)和疫苗无效(72/ 256,28.1%)。近四分之三的反疫苗帖子提供了未经证实的说法(185/ 256,72.3%)。大多数帖子强调了疫苗相关损伤的风险:大约8 / 10(205/ 256,80.1%)讨论了严重程度，大约6 / 10(163/ 256,63.7%)讨论了易感性。五分之一的帖子讨论了疫苗可预防疾病的风险，主要是淡化了疫苗可预防疾病的易感性(41/ 256,16.0%)。建立不接种疫苗的自我效能感是职位的另一个关键组成部分:40.2%(103/256)的职位提倡对不接种疫苗的行为控制，39.8%(102/256)的职位提到了具体的行动提示，如疫苗豁免表格的链接。

图1给出了编码子样本(n=580个帖子)的2模式网络可视化。根据帖子对疫苗的看法，优先使用不同的标签。#Gardasil是抗疫苗网络的核心，而#HPVvaccine和#HPV都是prov疫苗网络的核心。包括风险、研究和教育在内的文字都倾向于#Gardasil，是抗疫苗网络的中心，而包括预防和癌症在内的文字都倾向于#HPV，是provvaccines网络的中心。虽然prov疫苗的帖子更常见，但反疫苗的帖子包含了更多带有黑框的节点，这表明该帖子是个人叙述，而不是信息/资源(用白色框显示)。帖子节点的大小与收到的点赞数量成比例——在我们的子样本中，点赞最多的帖子(n=6634个点赞)是一个积极的个人叙述帖子，由一个非健康个体创建(位于网络图的左上象限)。

图2仅介绍反疫苗网络(n=256个帖子)，并带有额外的错误信息特征。错误信息的理论维度所处的位置不同。隐藏位于网络的核心，而扭曲、伪造和矛盾心理则更外围。此外，未经证实的声明和疫苗损伤故事是该网络的核心证据。在健康信念模型构建中，疫苗伤害风险和不接种疫苗的自我效能处于抗疫苗网络的核心。最后，利用阴谋论和疫苗无效的帖子是中心，位于网络的核心，而那些利用疫苗辩论主题、意识形态、替代医学和公民自由的帖子则处于边缘。如 图2在美国，社交媒体功能(黄色部分)，如使用标签、链接和提及其他用户，也位于网络的中心。信息/资源帖子(白色)围绕虚假信息领域聚集，包括伪造、纳米出版物和疫苗可预防疾病;而个人叙事性帖子(黑色)则集中在不同的错误信息领域，包括隐瞒(即揭露谎言)、伤害和阴谋论。最后，帖子节点的大小与收到的点赞数量成比例——在我们的抗疫苗子样本中，点赞最多的帖子(n=5604个点赞)是一个由健康人士创建的信息帖子(位于网络图左下象限的白色菱形)。

平均而言，抗疫苗网络的度中心性为0.336 (SD=0.219)。如 表2，岗位的程度中心性从0.102(意识形态)到0.801(疫苗损伤严重程度)不等。在反疫苗网络中，度中心性得分大于0.5的常见误报因素包括隐瞒(0.527)、阴谋论(0.563)、未经证实的言论(0.723)、疫苗相关损伤的严重程度(0.801)和疫苗相关损伤的易感性(0.637)。举例说明常见错误信息元素的Instagram帖子包括 多媒体附件2．

在我们的HPV疫苗样本中，大多数Instagram帖子都是provaccine，并使用了#HPV和#HPVvaccine标签。反疫苗帖子平均获得的赞数比prov疫苗帖子多，而且更有可能使用#Gardasil。社交媒体功能的使用也因帖子情绪而异。反疫苗的帖子更有可能提到另一个Instagram用户(即直接交流)，而prov疫苗的帖子更有可能包括位置信息——这表明这两个群体在如何与他人联系和共享信息方面存在差异。例如，反疫苗帖子包含位置信息的频率明显低于prov疫苗帖子，是否有地理标记可能是内容创作者透明度和可信度的一个重要标志[ 32］．最后，在我们的样本中，与个人叙述相比，更多的帖子包含了信息/资源，后者平均获得了更多的赞，这表明了一个故事的力量和受欢迎程度。这些结果证实并扩展了一项使用更有限数据集的研究的发现[ 10］．

我们对Instagram数据的研究结果支持了在其他与HPV疫苗相关的社交媒体平台上进行的研究。与我们的发现类似，推特的研究发现，大部分内容都是不正确的。 5， 6］．在YouTube上，支持hpv疫苗的内容主要依赖于信息和证据(与个人故事相比)，而反对疫苗的内容则集中在副作用和阴谋论[ 8］．虽然我们的发现支持了之前在其他社交媒体平台上的工作，但它也通过检查错误信息域扩展了这个知识库。

我们的网络图与反疫苗帖子之间的错误信息有关( 图2)不仅突出了聚集在一起的领域和主题(例如，阴谋、伤害和隐瞒vs行为控制、疫苗无效和扭曲)，而且还围绕每个集群分组的帖子特征(例如，个人叙述vs信息/资源)。这可能会使公共卫生信息更好地与现有内容相匹配。例如，个人叙述帖子可能比信息/资源帖子更适合处理阴谋。在我们的反疫苗样本中，错误信息通过核心要素表现出来，包括使用隐瞒策略的帖子、强调阴谋论的帖子、基于未经证实的证据和个人轶事(如伤害)的声明的帖子，以及提高对疫苗相关伤害严重性和易感性认识的帖子。 多媒体附件2提供三个示例帖子，举例说明每个核心错误信息元素。

在我们的子样本网络中，隐藏是错误信息理论的核心领域。使用隐瞒作为传播错误信息的工具的帖子，旨在揭露谎言或揭露以前不为人知的事实。从我们的数据中提供的一个例子表明，一项“新研究”有助于揭示先前关于HPV疫苗试验的“未知事实”。失真虽然不是网络的核心组成部分，但也表现出高度的中心性。掩盖性的帖子照亮了信息，而扭曲性的帖子则制造了虚假的光芒，呈现了一个或多个潜在的真实证据，暗示了它们之间的相关性、因果关系或比较。在将接种疫苗与受伤联系起来的受伤故事中，扭曲现象尤其突出。隐藏和扭曲错误信息领域需要独特的策略来解决因暴露于此类信息而可能产生的犹豫、恐惧或怀疑。

阴谋论也是反疫苗网络的核心，其中包括声称各种行为者(如政府、非营利组织或行业)出于邪恶的原因想要推广HPV疫苗接种的帖子。阴谋在疫苗或更广泛的健康领域并不是一个新话题，解决这类错误信息的策略可能会寻求找出隐藏的议程或具有自私自利利益的集团，包括但不限于经济利益。解决阴谋的其他策略可能是确定感到被疏远的群体，并创造对话的机会。 33］．

虚假信息帖子的第三个核心组成部分是使用未经证实的或轶事性的证据(如个人经历)来证实谎言。例如，声称疫苗会导致自闭症或婴儿猝死综合症(SIDS)的帖子是未经证实的证据，因为有科学证据支持相反的观点[ 34］．另一方面，许多帖子将伤害作为基于个人或轶事经历的反疫苗情绪的证据。公共卫生专业人员拥有更好的工具来解决“基于证据”的错误信息或基于不可靠科学的谎言。然而，处理关于个人经历的反疫苗故事所需的工具或资源可能需要更好地结合情感证据，承认故事引发的斗争或情绪，并使用这些情绪来重新定向叙述。医学专业人士被教导要对病人表现出同理心;公共卫生专业人员可以从中吸取教训，建立更多的工具来打击社交媒体上的错误信息。

最后，关于健康观念，错误信息帖子侧重于疫苗相关损伤的严重程度和易感性。严重程度的帖子专注于有害的副作用，疾病，甚至死亡——更不用说可能未知的长期影响。另一方面，易受影响的包括关于副作用的共同性和儿童时间表上的疫苗数量的争论，因此使免疫系统过载。对于那些担心HPV疫苗与脑膜炎球菌疫苗和Tdap疫苗一起常规接种的父母来说，最后一种观点可能特别突出。

我们的研究有值得注意的局限性。首先，我们的样本是使用三个标签创建的，这限制了我们发现的泛化性。我们通过使用三个常见的标签来减轻这种潜在的偏见，这些标签已在其他研究中使用，并已被证明包括支持和反对疫苗的内容[ 4， 5］．其次，我们只检查了反疫苗帖子中的错误信息域。虽然prov疫苗的帖子可能包含虚假信息，但我们关注的是反疫苗的帖子。第三，我们不引人注目的方法无法测量实际接触岗位或确定接触是否与健康知识、态度或实践有关。此外，Instagram的应用程序编程界面不会生成用户帐户名以外的用户信息，因此在我们分析时无法获得关注者数量作为潜在曝光率的衡量标准。未来的研究可能会考虑研究关注人数多和关注人数少的用户发布的帖子的差异。

第四，我们在分析中包括了平均值而不是中位数。反疫苗帖子的点赞数中位数为27(平均值=220.9)，而prov疫苗帖子的点赞数中位数为18(平均值=86.3)，这证实了先前的报告，即点赞等参与指标是右倾的，因为少数帖子获得的点赞比例不合理[ 35，这是社交媒体研究和实践中的一个典型现象。虽然均值和中位数在量级上有所不同，但它们在方向上没有差异。此外，帖子是在不同的时间创建的，因此积累点赞的时间也不同。然而，由于大多数社交媒体参与都是在帖子发布后的短时间内发生的，因此对我们的研究结果的影响可能很小。此外，在我们的分析样本中，like count与给定用户创建的帖子数量无关( P= .909;结果未提出)，表明没有 一个用户主导或影响点赞数。此外，我们随机抽样帖子的决定不允许我们检查时间趋势，未来的研究可能会考虑按周或其他时间单位分层抽样的方法。最后，我们没有识别机器人活动，也没有试图识别自动化或非人类交互。这种活动可能导致人为地对特定类型的内容进行高参与度，并需要进行额外的调查，以确定自动化活动导致的错误信息的存在和扩散。尽管存在这些局限性，但我们的发现有助于描述Instagram上关于HPV疫苗的错误信息，并为该领域的未来研究提供了基础。

社交媒体上的健康错误信息多种多样，利用了理性到情感的状态。识别社交媒体上健康错误信息的特征将有助于制定有针对性的干预措施和量身定制的信息，以传播纠正性的信息和故事[ 36］．美国心脏协会的ReSS(复苏科学研讨会)社交媒体活动[ 37]使用一小群复苏科学专业人员在在线社交媒体平台上创建(纠正)内容，导致大量终端用户对这些内容的参与。在其他情况下也记录了类似的干预措施[ 38］．如果公共卫生和医学界想要成为关于HPV疫苗的社交媒体网络和讨论的中心，它必须理解和考虑类似的策略。可以通过意见领袖或同伴外展教育项目识别和细分错误信息特征，进行有针对性的干预。

仅利用传统卫生专家和当局的传播策略无法应对社交媒体上的错误信息。“专家患者”和“专家父母”的崛起，部分原因是他们熟练使用社交媒体网络功能，以及他们故事的突出性和相关性。解决社交媒体上的错误信息需要多个行业和健康消费者类型的资源开发和热情，包括科技和健康保险公司、医院和医生团体，以及父母和癌症幸存者的倡导者。