原始论文
摘要
背景:YouTube等社交媒体平台是传播有关疫苗错误信息的温床。
摘要目的:这项研究的目的是探索个人是如何接触到YouTube上的反疫苗错误信息的,这取决于他们是从基于关键字的搜索开始观看还是从反疫苗种子视频开始观看。
方法:2019年11月,基于YouTube推荐的四个视频网络被收集。以provvaccine和antivaccine为关键词建立了两个相似的搜索网络面向目标的浏览。两个种子网络由阴谋论和反疫苗专家种子视频构建而成直接导航。利用网络曝光模型对视频内容和网络结构进行分析。
结果:观众更有可能通过从反疫苗视频开始的直接导航,而不是通过目标导向的浏览,看到反疫苗视频。在两个种子网络中,疫苗视频、反疫苗视频和包含健康错误信息的视频都被发现更有可能导致更多的反疫苗视频。
结论:YouTube提高了疫苗视频的搜索排名,以对抗反疫苗信息的影响。然而,当观众从另一个网站被引导到YouTube上的反疫苗视频时,推荐算法仍然可能向他们展示额外的反疫苗信息。
doi: 10.2196/23262
关键字
介绍
背景
社交媒体的扩散使得反疫苗运动比历史上任何时候都更有影响力。
]。早期的研究表明,Pinterest和Twitter等社交媒体平台充斥着反疫苗信息[ , ]。反疫苗社交媒体内容的消费可能对疫苗态度产生负面影响,从而影响疫苗的摄取[ ]。此外,社交媒体可以通过设定传统大众媒体在疫苗相关争议中的议程来间接影响公众[ ]。在某些情况下,Twitter等社交媒体平台甚至被武器化,通过使用机器人和喷子来宣传反疫苗信息。 ]。YouTube是世界上最大的视频分享平台,拥有超过10亿用户。然而,它是反疫苗信息的温床。研究人员检查了172个YouTube上与人类乳头瘤病毒疫苗有关的视频,得出的结论是,只有30%多一点的视频是疫苗[
]。最近一项针对YouTube上的流感和麻疹-腮腺炎-风疹疫苗视频的研究显示,分别约有20%和30%的视频本质上是反疫苗的[ ]。在这两项研究中,反疫苗视频比疫苗视频获得了更多的观看和喜欢[ , ]。YouTube的推荐算法根据观众的观看历史,向他们推荐类似的视频,从而让他们继续观看视频,因此受到了批评。换句话说,YouTube制造了过滤泡沫,让观众接触到重复的、同质化的、往往带有偏见的内容,这进一步强化了偏见和误解。学术界已经注意到YouTube上传播政治极端意识形态的内容[
],但人们对该平台上关于疫苗的错误信息等有害健康内容的传播知之甚少。在本研究中,我们跳进由YouTube推荐算法驱动的“兔子洞”,探索观众接触疫苗相关信息和错误信息的情况,以确定YouTube的搜索和推荐算法在多大程度上影响了观众接触到的信息。YouTube上的信息扩散
传统上,学者们使用选择性暴露范式来解释个人如何消费媒体信息,该范式预测个人倾向于选择与其现有信念和态度一致的媒体内容[
]。在社交媒体时代,个人接触社交媒体内容的程度很大程度上受到朋友推荐或关注或订阅的名人的影响[ ]。然而,一个人在社交媒体上的朋友和同事往往有着相似的兴趣和观点;因此,依赖熟人的推荐很可能会造成回音室,在那里,一个人会反复地接触到一致的意见[ ]。此外,个人对社交媒体内容的消费受到平台基于机器学习的推荐算法的影响。这种内容的个性化产生了过滤气泡,算法在其中推荐用户以前接触过并同意的信息[ ]。实证研究表明,回音室和过滤气泡都加深了公众之间的意识形态分歧[ ]。YouTube上的信息曝光
用户通过两种方式与YouTube平台互动。首先,直接导航当用户被引导从另一个网站或社交媒体平台观看YouTube视频时,就会发生这种情况。另外,用户也可以根据关键词(面向目标的浏览) [
]。在这两种情况下,YouTube都会根据用户之前的观看行为和访问次数向用户提供一组推荐视频[ ]。为了了解YouTube用户在使用直接导航或目标导向浏览时所接触到的疫苗信息类型,我们提出了第一个研究问题(RQ1):当YouTube用户以provvaccine或antivaccine关键字或antivaccine种子视频开始观看时,他们将在多大程度上接触到赞成和反对疫苗的内容?因此,RQ1研究了YouTube用户在以不同方式使用YouTube时,在宏观层面上对支持和反疫苗视频的接触情况;然而,在微观层面上研究推荐网络中不同类型视频之间的联系也很重要。基于创新扩散理论[
],网络暴露模型(network exposure model, NEM)衡量网络中一个节点暴露给具有某种属性的其他节点的程度。一个节点对一个属性的暴露是根据从一个节点到显示该属性的其他节点的平均边缘计算的。在 (改编自Valente [ ]),我们给出了两个与其他节点有连接的节点的例子。中的一些节点(表示任何类型的实体,如YouTube视频) 用粉红色编码,表示它有一个属性(比如包含错误信息)。在 ,视频A的曝光值为0,因为它没有连接到包含错误信息的节点(即0/4=0.00)。相比之下,视频Z的网络曝光值为0.75,因为四分之三的边将其连接到包含错误信息的节点(粉色节点)(即3/4=0.75)。有关量度的更详细描述,请参阅相关文献[ - ]。总的来说,NEM测量网络中一个节点暴露于某种类型节点的程度。为了了解疫苗和反疫苗视频以及其他与疫苗无关的视频有多大可能导致反疫苗信息,我们解决了RQ2:支持和反疫苗视频以及其他与疫苗无关的视频对其他反疫苗视频的暴露程度是多少?
方法
数据收集和网络生成
根据关键字搜索(面向目标的浏览),我们使用了四个provvaccine关键短语(“为什么我接种疫苗”,“和我一起接种疫苗”,“疫苗拯救生命”和“疫苗有效”),以及四个反疫苗关键短语(“疫苗导致自闭症”,“疫苗致死”,“疫苗夺去生命”和“疫苗危害”)。这些关键短语是基于2019年10月推特上关于疫苗的最流行的正面和负面标签。我们使用CAS2T (
],一个利用YouTube应用程序编程接口(API)的开源工具[ ]创建相关的YouTube视频网络,并检索每个视频的推荐视频。该API不考虑个人用户的观看历史,只根据YouTube推荐算法检索视频。该工具还将视频集合及其推荐视频存储在关系数据库(SQLite)中,以及它们的元数据信息(即,视图,喜欢)。对于基于provvaccine和anti - vaccine关键短语的两个网络(“搜索网络”),我们收集了前6个视频的url,并获得了相关视频的三个深度层次。通过这个过程,我们为每个视频收集了6个相关视频,然后是相关视频的相关视频,以此类推。我们假设,由于典型计算机的屏幕尺寸和一个屏幕上显示的推荐视频数量,用户可能不会观看超过6个推荐视频。我们对以疫苗为基础的阴谋视频(如“大型制药公司的赚钱计划”、“政府掩盖副作用”、“对医生的不信任”)和声称对疫苗有权威的反疫苗专家的推荐分享视频(“种子网络”)进行了同样的处理。的阴谋种子网络是由16个视频和反疫苗专家种子网络是8个视频的种子。种子视频来自两个各自主题的播放列表。因此,这为通过推荐分享进一步评估错误信息兔子洞提供了一个良好的开端。数据收集于2019年11月进行。数据收集完成后,我们对CAS的数据库进行汇总2使用PostgreSQL v12将视频存储到一个中央数据库存储库中,并为每个视频分配一个唯一的标识号。注释
为了标注这两个搜索网络,我们从最初下载的815个视频开始。删除复制视频后,总共注释了538个视频。我们根据(1)视频是否与疫苗有关(2)视频是否与疫苗有关,是provvaccine还是anti - vaccine进行注释。对于与疫苗无关的视频,我们注释了(1)是否涉及自闭症(2)是否包含其他健康信息和错误信息。根据Krippendorff α值(与疫苗相关,α= 0.949),三位作者(LT, RAC, FY)对随机系统抽样选择的54个视频(10%)进行了注释,并获得了出色的编码间可靠性;赞成或反对疫苗,α= 0.90;包含自闭症相关信息,α= 0.96;并且包含其他健康错误信息,α= 0.949)。然后,三位作者将所有视频分开并独立注释。以英语以外的语言制作的视频被认定为此类视频,并被排除在数据分析之外。 We annotated the two seed networks (conspiracy and antivaccine expert networks) using the guidelines described at the beginning of this subsection. Two of the authors (TA, GX) annotated the 1034 seed-based videos, demonstrating excellent reliability (vaccine-related, α=.899; health-based, α=.901; autism-related, α=.96; and misinformation, α=.806). Videos related to vaccines and that contained misinformation were then recoded as “antivaccine videos” and other vaccine-related videos were recoded as “provaccine videos” to create consistency between the coding results of the two groups.
数据分析
我们使用各种网络指标分析了这四个网络,以了解各自网络中不同类型视频之间的关系。中科院2T方便地生成节点元数据、节点和边的表,对于这些节点和边,可以无缝导入到Gephi中,构建无向网络,进行网络分析。Gephi [
]用于计算网络统计数据并生成网络的可视化。对于这四个网络中的每一个,我们都检查了非疫苗视频、疫苗相关视频(provvaccine和其他反疫苗视频)、自闭症视频和与健康相关的视频(与疫苗无关)可能暴露于反疫苗视频的可能性。我们使用NET-EXPO [
],一个Gephi插件,用于计算网络曝光。使用STATA v15和SPSS v26进行基本统计计算和频率计算。我们计算了病例对照优势比,以衡量不同类型的视频(provvaccine视频、anti - vaccine视频、与疫苗无关的自闭症视频、与疫苗无关的健康视频以及与疫苗无关的健康错误信息)被暴露于anti - vaccine视频的可能性。结果
基于provvaccine和anti - vaccine搜索关键短语(“search network”)和conspiracy和anti - vaccine专家种子视频(“seed network”)生成了4个网络数据集。这些网络中的每个节点代表一个视频,每个边代表一个推荐关系(参见
对于四个网络的描述性统计)。节点大小在283 ~ 551之间,边数在342 ~ 671之间。所有网络的平均程度约为2.4,但阴谋网络的平均程度为2.3。平均聚类系数(衡量网络中节点的聚类程度)在provvaccine和antivaccine搜索网络中分别为0.415和0.411,在conspiracy seed网络和antivaccine专家seed网络中分别为0.06和0.1。特征 | 搜索网络 | 种子网络 | |||
provvaccine搜索网络 | 反疫苗搜索网络 | 阴谋种子网络 | 反疫苗专家种子网络 | ||
网络的特点 | |||||
节点n | 283 | 354 | 483 | 551 | |
边缘,n | 342 | 417 | 551 | 671 | |
平均度 | 2.4 | 2.4 | 2.3 | 2.4 | |
网络直径 | 8 | 8 | 14 | 12 | |
平均聚类系数 | 0.415 | 0.411 | 0.06 | 0.1 | |
视频类型,n (%) | |||||
Nonvaccine-related | 242 (86) | 315 (89) | 413 (86) | 511 (93) | |
与疫苗相关的 | 41 (14) | 40 (11) | 70 (14) | 40 (7) | |
Provaccine一个 | 38 (93) | 35 (87.5) | 34 (49) | 15 (38) | |
反对疫苗接种的一个 | 3 (7) | 5 (12.5) | 36 (51) | 25 (63) | |
视频来源,n (%)一个 | |||||
政府机构 | 23日(56) | 14 (35) | 0 (0) | 0 (0) | |
学术机构和医院 | 6 (15) | 13 (33) | 9 (13) | 1 (3) | |
制药公司和营利性组织 | 1 (2) | 0 (0) | 1 (1) | 0 (0) | |
消费者产生 | 3 (7) | 5 (13) | 33 (47) | 26日(65年) | |
新闻媒体 | 8 (20) | 9 (23) | 27 (39) | 13 (33) | |
专业协会 | 0 (0) | 2 (5) | 0 (0) | 0 (0) | |
其他 | 0 (0) | 2 (5) | 0 (0) | 0 (0) | |
自闭症相关视频,n (%) | 6 (2) | 21日(6) | 13 (3) | 22日(4) | |
健康相关视频,n (%) | 100 (35) | 142 (40) | 267 (55) | 316 (57) | |
准确的运行状况信息,n (%)b | 99 (99) | 139 (98) | 157 (59) | 172 (54) | |
运行状况错误信息,n (%)b | 1 (1) | 3 (2) | 110 (41) | 144 (46) |
一个百分比是根据给定网络中与疫苗相关的视频的数量计算的。
b百分比基于给定网络中与健康相关的视频的数量。
RQ1询问,从provvaccine和anti - vaccine关键词开始,从anti - vaccine种子视频开始,是否会将观众引向赞成或反对疫苗的信息。在由provvaccine和antivaccine关键词生成的两个搜索网络中,绝大多数与疫苗相关的视频都是provvaccine (
).这些与疫苗有关的视频大多是由政府机构、医院和学术机构等可靠来源制作和上传的。相比之下,观众更有可能在阴谋种子网络和反疫苗专家种子网络中接触到反疫苗信息。两个种子网络中大约一半的疫苗相关视频是消费者制作的( ).RQ2调查了不同类型的视频对额外抗疫苗信息的暴露程度。
给出了暴露于抗疫苗错误信息和 提供四种网络的可视化。在搜索网络中,非疫苗视频在各自的网络(provvaccine和anti - vaccine搜索网络)中接触到抗疫苗视频的可能性很低。然而,与疫苗相关的视频有更高的机会接触到反疫苗视频。在搜索网络的疫苗相关视频中,疫苗视频节点更有可能在两个网络中接触到抗疫苗视频。然而,这些比值比都没有统计学意义。这两个网络中唯一显著的结果是在反疫苗搜索网络、自闭症视频和与健康相关的视频(无论是有争议的还是无争议的)中发现的,这些视频没有机会接触到反疫苗视频。然而,这两种种子网络的情况却大不相同。
在种子网络中,与疫苗相关的视频相比,与疫苗无关的视频暴露于反疫苗视频的机会显着降低(阴谋种子网络和反疫苗专家种子网络)。反疫苗视频与其他反疫苗视频(阴谋种子网络和反疫苗专家种子网络)的曝光率都很高。相比之下,预防疫苗视频也容易受到反疫苗视频建议的影响,但程度较轻。此外,包含非疫苗健康错误信息的视频在阴谋种子网络和反疫苗专家种子网络中都有更大的机会暴露于反疫苗视频。相比之下,包含准确健康信息的视频没有表现出这种模式。
统计 | 搜索网络 | 种子网络 | |||
provvaccine搜索网络 | 反疫苗搜索网络 | 阴谋种子网络 | 反疫苗专家种子网络 | ||
意思是(SD) | 0.01 (0.12) | 0.02 (0.10) | 0.12 (0.28) | 0.07 (0.21) | |
范围 | 1 - 1 | 0.11 - 1 | 0.13 - 1 | 0.13 - 1 | |
公开的节点,n (%) | 4 (1.4) | 15 (4.2) | 119 (24.7) | 86 (15.6) | |
未公开的节点,n (%) | 279 (98.6) | 339 (95.8) | 364 (75.3) | 465 (84.4) | |
优势比(95% CI) | |||||
Nonvaccine视频 | 0.50 (0.04 - -27.0) |
0.48 (0.12 - -2.8) | 0.07 (0.04 - -0.14) | 0.04 (0.02 - -0.09) | |
疫苗的视频 | 1.99 (0.04 - -25.0) | 2.1 (0.36 - -8.3) | 13.6 (7.3 - -25.9) | 24.4 (10.8 - -58.4) | |
Provaccine视频 | 2.18 (0.04 - -27.9) | 2.4 (0.41 - -9.5) | 8.94 (3.9 - -21.6) | 12.1 (3.6 - -46.1) | |
反对疫苗接种的视频 | 0.00 (0 - 108.7一个) | 0.00 (0.0 - -18.1一个) | 11.6 (5.0 - -28.8) | 27.9 (9.6 - -97.3) | |
自闭症的视频 | 0.00 (0 - 50.3一个) | 0.00 (0.0 - -4.0一个) | 0.92 (0.16 - -3.6) | 2.1 (0.65 - -5.9) | |
健康的视频 | 5.62 (0.44 -297) | 0.00 (0.0 - -0.36一个) | 1.52 (0.98 - -2.4) | 2.0 (1.2 - -3.5) | |
准确的健康信息 | 5.71 (0.45 - -301.8) | 0.00 (0.0 - -0.37一个) | 0.97 (0.60 - -1.5) | 1.22 (0.72 - -2.0) | |
健康的错误信息 | 0.00 (0.00 - -0.00) | 0.00 (0.0 - -30.6一个) | 1.80 (1.1 - -2.9) | 1.76 (1.0 - -2.9) |
一个玉米地精确CI。
讨论
主要研究结果
这项研究测试了YouTube搜索和推荐算法的特点,通过探索用户从基于关键字的搜索开始时可能接触到的信息,以及从反疫苗种子视频开始时可能接触到的信息。我们利用网络暴露模型以及其他统计方法来确定视频(以及代理用户)对反疫苗内容的脆弱性。从视频内容和网络结构两方面对疫苗搜索网络、反疫苗搜索网络、阴谋种子网络和抗疫苗专家种子网络进行了研究。
首先,当用户在YouTube上开始基于关键字的搜索时,他们很可能会看到由政府机构和医院等可靠来源发布的provvaccine视频,而不管他们使用的是provvaccine还是antivaccine关键字。这一令人鼓舞的发现表明,YouTube已经采取了一些措施,在其搜索功能中推广来自可靠来源的疫苗视频。这与之前的研究相矛盾,该研究报告称,反疫苗视频出现在搜索结果的顶部[
]。反疫苗用户,如Alex Jones, InfoWars等,已经被禁止进入YouTube,并带走了他们有争议和极端的内容。 ]。虽然反疫苗运动的某些主要参与者已被移除,但仍有一些可疑的“专家”出现在我们的网络数据中。这些反疫苗专家使用关于疫苗的误导性言论,对naïve的观众来说可能听起来很合理。即使这些反疫苗专家的视频不容易通过关键词搜索找到,也可以通过电子邮件或社交媒体找到并与朋友分享,将观众引导到众所周知的错误信息的“兔子洞”。其次,即使用户观看了预防疫苗的视频,他们也有相对较高的机会被推荐观看反疫苗的视频。根据网络,观看者被推荐观看反疫苗视频的几率是其他视频的2到12倍。反疫苗视频更有可能导致更多的反疫苗视频。值得注意的是,这种模式在两个种子网络中具有统计学意义,而在两个搜索网络中则不具有统计学意义,这可能是由于两个搜索网络中抗疫苗视频的百分比极低造成的。此外,与疫苗相关的视频相比,在所有四个网络中,非疫苗视频与反疫苗内容更隔离。假设YouTube使用一种机器学习算法来查看标题、描述和其他元数据,并将它们与其他视频中的类似数据进行匹配,以表示推荐的视频。因此,非疫苗视频在某种程度上与疫苗视频隔离,而反疫苗视频产生更多的反疫苗视频,这可能并不奇怪。
第三,我们发现这些网络中2%-6%的视频是关于自闭症的,但不包含任何与疫苗相关的信息。这意味着当用户观看与自闭症相关的视频时,他们可能会被引导到与疫苗相关的视频,甚至是反疫苗的视频。这可能会导致关于疫苗与自闭症之间联系的错误信息的传播。此外,讨论非疫苗健康主题(例如,饮食,整体医学,癌症)的健康视频,特别是那些包含错误信息的视频,通过推荐在一定程度上容易受到反疫苗视频的攻击。在阴谋论和反疫苗专家种子网络中,观众可能会在观看包含其他类型错误信息的健康相关视频时遇到反疫苗视频。
限制与未来方向
当前研究的一个限制是使用YouTube API。由于其专有性质,很难确定YouTube如何以及为什么推荐视频。假设这样的推荐是基于机器学习方法的组合,这些方法考虑了视频元数据、标题和描述中单词与其他视频的相似性、用户偏好和观看历史。我们的网络是基于YouTube的推荐,没有个人观看历史。实际上,推荐的视频可能会随着观众的历史和偏好而变化,这些都包含在计算中。目前的研究充其量提供了一个基线,不考虑用户的观看历史或其他偏好。此外,我们在网络上发现了相当多与疫苗无关的健康信息视频。错误的信息似乎会导致更多的错误信息。因此,未来的研究可以调查YouTube上传播时尚饮食、有问题的食品补充剂和其他未经证实的健康信息的内容。
结论
本研究通过社交网络分析,探讨了YouTube用户从搜索关键词开始或从种子视频开始时所接触到的信息。利用NEM,我们检查了通过单个节点向用户传播疫苗错误信息的几率。我们的研究结果表明,尽管疫苗错误信息在疫苗视频网络中被沙盒化,但一些疫苗视频很容易受到YouTube推荐的反疫苗视频的影响。还有证据表明,与健康有关的视频,特别是那些含有健康错误信息的视频,容易受到疫苗错误信息的影响。总体而言,由于YouTube的努力,通过目标导向搜索观看YouTube视频的个人遇到疫苗错误信息的可能性较低;然而,反疫苗错误信息仍然存在,用户有机会通过直接导航遇到这些视频或其他错误信息内容。
致谢
本研究得到了美国国立卫生研究院国家医学图书馆(R01LM011829)、美国国立卫生研究院国家过敏和传染病研究所(R01AI130460和R01AI130460- 03s1)和美国国立酒精滥用和酒精中毒研究所(1K99AA019699)的支持。
作者的贡献
MA将研究概念化。LT, MA和KF设计了方法方法。LT、RAC、FY、RC和JB开发了注释分类。LT, RAC, FY, MA和GX收集并注释了数据。LT, MA和KF分析了数据。LT和MA制定了最初的草案。所有作者都阅读、修改并批准了最终的手稿。
利益冲突
没有宣布。
参考文献
- Wilson K, Keelan J.社交媒体和赋予医疗技术反对者权力:反疫苗主义的案例。医学与互联网研究,2013,28;15(5):e103 [J]免费全文] [CrossRef] [Medline]
- Guidry JP, Carlyle K, Messner M, Jin Y.如坐针毡:如何在Pinterest上描绘疫苗。疫苗2015 Sep 22;33(39):5051-5056。(CrossRef] [Medline]
- Tomeny TS, Vargo CJ, El-Toukhy S. Twitter上与自闭症相关的反疫苗信仰的地理和人口相关性,2009-15。中国生物医学工程学报(英文版);2017;31 (1):391 - 391 [j]免费全文] [CrossRef] [Medline]
- Dunn AG, Surian D, Leask J, Dey A, Mandl KD, Coiera E.绘制社交媒体上的信息暴露来解释美国HPV疫苗覆盖率的差异。疫苗2017年5月25日;35(23):3033-3040 [j]免费全文] [CrossRef] [Medline]
- 张思敏,李建军,李建军,张建军。从社交媒体到主流新闻:美国、加拿大和英国疫苗-自闭症争议的信息流卫生通讯2019年1月13日;34(1):110-117。(CrossRef] [Medline]
- Broniatowski DA, Jamison AM, Qi S, AlKulaib L, Chen T, Benton A,等。武器化的健康传播:推特机器人和俄罗斯喷子放大了疫苗辩论。[J]中华卫生杂志;2018;38(10):1378-1384。(CrossRef] [Medline]
- Briones R, Nan X, Madden K, Waks L.当疫苗病毒传播:YouTube上HPV疫苗覆盖率的分析。卫生通讯2012年7月;27(5):478-485。(CrossRef] [Medline]
- Yiannakoulias N, Slavik CE, Chase M. YouTube上支持和反对疫苗的情绪表达。疫苗2019年04月03日;37(15):2057-2064。(CrossRef] [Medline]
- 另类影响:在YouTube上播放反动右翼。纽约:数据与社会研究所;2018.URL:https://datasociety.net/output/alternative-influence/[2020-12-20]访问
- Hart W, Albarracín D, Eagly AH, Brechan I, Lindberg MJ, Merrill L.感觉验证与正确:选择性信息暴露的元分析。精神病学杂志2009;13 (4):555-588 [j]免费全文] [CrossRef] [Medline]
- 刘建军,刘建军,刘建军。过滤气泡、回音室和在线新闻消费。公众意见Q 2016年3月22日;80(增刊1):298-320。(CrossRef]
- 刘杰,李文德,李文德,等。YouTube视频推荐系统。2010年9月26日在第四届ACM推荐系统会议上发表;2010;巴塞罗那。
- O 'Callaghan D, Greene D, Conway M, Carthy J, Cunningham P.掉进(白色)兔子洞:极右和在线推荐系统。社会科学与计算机学报,2014;33(4):459-478。(CrossRef]
- 罗杰斯E.创新扩散。纽约:Simon and Schuster;2010.
- 瓦伦特太瓦。创新扩散研究的网络模型与方法。编辑:Scott J, Wasserman S, Carrington PJ。社会网络分析的模型与方法。纽约:剑桥大学出版社;2005:98 - 116。
- 马斯登PV,弗里德金NE。社会影响的网络研究。社会方法学报,2016;22(1):127-151。(CrossRef]
- 瓦伦特太瓦。创新扩散的网络模型。新泽西:汉普顿出版社;1995.
- 社会传染与创新:内聚与结构对等。中国生物医学工程学报(英文版);2004;6(6):1287-1335。(CrossRef]
- 李建军,李建军,李建军,等。CAST数据库:通过社交媒体平台的小世界建模快速有针对性的大规模大数据获取。发表于:第七届情感计算与智能交互国际会议(ACII);2017;圣安东尼奥,德克萨斯州。
- b谷歌L. Youtube API。2019年11月10日。URL:https://developers.google.com/youtube/v3[2019-12-01]访问
- Bastian M, Heymann S, Jacomy M. Gephi:一个用于探索和操纵网络的开源软件。2009年5月17日在第三届AAAI博客与社交媒体国际会议上发表;2009;加州圣何塞[CrossRef]
- Amith M, Fujimoto, K, Tao C. . NET-EXPO:一个面向社会网络分析的Gephi插件,用于一部和二部图的网络曝光。2019发表于:HCI International 2019:第21届国际会议,2019;2019年7月26日至31日;奥兰多,佛罗里达州,第3-12页。(CrossRef]
- 反疫苗活动家,Web 2.0和后现代范式——反疫苗运动在网上使用的策略和修辞的概述。疫苗2012年5月28日;30(25):3778-3789。(CrossRef] [Medline]
- YouTube团队。我们正在进行的消除仇恨的工作。YouTube官方博客。2019年6月5日。URL:https://youtube.googleblog.com/2019/06/our-ongoing-work-to-tackle-hate.html[2020-12-13]访问
缩写
API:应用程序编程接口 |
NEM:网络暴露模型 |
G·艾森巴赫编辑;提交06.08.20;经N Yiannakoulias、X Jing同行评审;对作者10.09.20的评论;修订版本收到16.09.20;接受16.09.20;发表05.01.21
版权©唐陆,藤本佳代,Muhammad (Tuan) Amith, Rachel Cunningham, Rebecca A Costantini, Felicia York, Grace Xiong, Julie A Boom,崔涛。最初发表于医学互联网研究杂志(//www.mybigtv.com), 2021年1月5日。
这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首次发表在《医学互联网研究杂志》上,并适当引用。必须包括完整的书目信息,到//www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。