- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT05442762
Social-Media-basierte Überwachung des Impfvertrauens und der Impfskepsis
Eine auf sozialen Medien basierende Studie zum maschinellen Lernen zur Überwachung des Impfvertrauens und der Impfskepsis sowie zur frühzeitigen Warnung aufkommender impfstoffbezogener Risiken in Echtzeit
Die Geschichte und wissenschaftliche Erkenntnisse zeigen, dass es von entscheidender Bedeutung ist, das Vertrauen der Öffentlichkeit in Impfungen aufrechtzuerhalten. Jede Vertrauenskrise kann zu erheblichen Störungen und nachteiligen Auswirkungen auf die Impfung führen. Impfskepsis ist ein komplexes und kontextspezifisches Problem, das je nach Zeit, Ort und Impfstoffen unterschiedlich ist. Sie wurde von der Weltgesundheitsorganisation (WHO) als eine der zehn größten Bedrohungen für die globale Gesundheit im Jahr 2019 bezeichnet. Eine Pandemie der Coronavirus-Krankheit (COVID-19) kann das Vertrauen der Öffentlichkeit in Impfstoffe verändern. Daher ist es notwendig, ein Überwachungssystem einzurichten, um das Vertrauen und die Impfskepsis in Echtzeit zu überwachen.
Bis heute nutzt eine wachsende Zahl von Fachliteratur Social-Media-Plattformen wie Twitter und Weico für die öffentliche Gesundheitsforschung. Große Mengen an Echtzeitdaten, die auf Social-Media-Plattformen veröffentlicht werden, können verwendet werden, um schnell die Einstellung der Öffentlichkeit zu Impfstoffen zu ermitteln und so die Gesundheitskommunikation und Gesundheitsförderung zu unterstützen. Allerdings sind Textdaten in sozialen Medien schwer zu analysieren. Jüngste Fortschritte beim maschinellen Lernen ermöglichen die automatische Analyse von Textdaten in sozialen Medien in Echtzeit.
In dieser Studie werden die Forscher eine Social-Media-Überwachungs- und Analyseplattform für Impfstoffe einrichten, eine Reihe von Modellen für maschinelles Lernen entwickeln, um das Vertrauen in Impfstoffe zu überwachen und aufkommende Risiken im Zusammenhang mit Impfstoffen frühzeitig zu erkennen, und die öffentliche Kommunikation rund um Impfstoffe bewerten. Die Forscher werden die zeitliche und räumliche Verteilung des Impfvertrauens und der Impfskepsis weltweit anhand von Twitter-Daten und in China anhand von Weico-Daten für alle Impfstoffe bzw. den Impfstoff gegen das humane Papillomavirus (HPV) bewerten. Unsere Studie wird die Entwicklung wirksamer Gesundheitskommunikationsstrategien leiten, um das Vertrauen in Impfstoffe zu verbessern.
Studienübersicht
Status
Detaillierte Beschreibung
- Sammeln und aktualisieren Sie Social-Media-Daten zu Impfstoffen. Die Ermittler sammeln automatisch alle Social-Media-Beiträge zu Impfstoffen in Echtzeit. Für alle Impfstoffe bzw. den Impfstoff gegen das humane Papillomavirus (HPV) wird eine Social-Media-Kohortendatenbank eingerichtet und aktualisiert.
- Überwachen Sie das Impfstoffvertrauen und -zögern in Echtzeit: Modelle für tiefes (überwachtes) maschinelles Lernen. Das Deep-Learning-Modell, eine überwachte maschinelle Lerntechnik, wird verwendet, um Textdaten in sozialen Medien in Echtzeit gemäß dem vordefinierten Rahmen für Impfstoffvertrauen und -zögerlichkeit zu analysieren. Die Ermittler werden zunächst eine Teilmenge der Social-Media-Beiträge (20.000 Beiträge) zu Impfstoffen manuell mit Anmerkungen versehen. Die ersten manuell kommentierten Beiträge werden dann zum Trainieren und Bewerten von Deep-Learning-Modellen verwendet. Deep-Learning-Modelle mit der besten Leistung werden ausgewählt und angewendet, um alle impfbezogenen Beiträge gemäß dem Rahmenwerk für Impfvertrauen und -zögerlichkeit zu klassifizieren.
- Überwachen Sie aufkommende Bedenken und Stimmungsschwankungen in Echtzeit, um Risiken oder Krisen im Zusammenhang mit Impfstoffen frühzeitig zu warnen: (unüberwachte) Themenmodelle für maschinelles Lernen und linguistische Analyse. Es gibt einige Themen, die außerhalb des vordefinierten Impfstoffvertrauens- und -zögerlichkeitsrahmens liegen, der in Deep-Learning-Modellen verwendet wird, und neue Themen entstehen jederzeit. Die Impfkrise würde die öffentliche Stimmung beeinflussen. Durch die Überwachung aufkommender Themen und Stimmungsschwankungen können Sie frühzeitig vor Risiken oder Krisen im Zusammenhang mit Impfstoffen warnen. Verwenden Sie Topic Modeling, eine unbeaufsichtigte Technik des maschinellen Lernens, die Texte automatisch repräsentativen Themen in sozialen Medien zuordnen kann, um aufkommende Themen und Bedenken in Bezug auf Impfstoffe zu überwachen.
- Bewerten Sie das öffentliche Engagement in sozialen Medien, um wirksame Gesundheitskommunikationsstrategien zu entwickeln: Analyse des Engagements in sozialen Medien Neben Posts-Daten in sozialen Medien können auch Engagement-Daten von Posts analysiert werden, einschließlich Likes, Kommentare und Shares von Posts. Die Ermittler werden eine Social-Media-Engagement-Analyse durchführen, um die öffentliche Kommunikation rund um Impfstoffe im Internet zu untersuchen. Dies wird die Gestaltung wirksamer Gesundheitskommunikationsstrategien leiten.
- Richten Sie eine Social-Media-Überwachungs- und Analyseplattform für Impfstoffvertrauen und -krisen ein. Durch die oben genannten Schritte werden die Ermittler eine Social-Media-Überwachungs- und Analyseplattform für Impfstoffvertrauen und -krisen einrichten. Zeitreihentrends, geografische Variationen und damit verbundene Faktoren der oben erstellten Indikatoren werden vorgestellt, um das Impfstoffvertrauen in Echtzeit zu überwachen, aufkommende Risiken oder Krisen frühzeitig zu warnen und wirksame Gesundheitskommunikationsstrategien zu entwickeln.
- Frühere Forschungserfahrung Die Forscher haben eine Reihe relevanter Studien durchgeführt, um Social-Media-Daten mithilfe maschineller Lerntechniken während der COVID-19-Epidemie zu analysieren und dabei das Vertrauen in den COVID-19-Impfstoff und die öffentliche Reaktion auf COVID-19 abzudecken. Diese Erfahrungen machen die vorliegende Studie machbar.
Studientyp
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- ERWACHSENE
- OLDER_ADULT
- KIND
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Tweets und Weico-Beiträge zum Thema Impfstoffe
- Veröffentlicht in den Jahren 2015–2022
- Englische Tweets
- Tweets/Beiträge von persönlichen Konten.
Ausschlusskriterien:
- Tweets/Beiträge von News, Organisationskonten oder authentifizierten Benutzern
- Nicht-englische Tweets.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
---|
Globale Datenbank mit Beiträgen zum Thema Impfstoffe
Tweets auf Englisch von Twitter und Beiträge von weico von 2015 bis 2022 für alle Impfstoffe.
Die Ermittler berücksichtigten nur Beiträge von einzelnen Konten und schlossen Beiträge von Nachrichten, Organisationskonten oder verifizierten Benutzern aus.
|
Globale Datenbank mit Beiträgen zum Thema HPV-Impfstoff
Tweets auf Englisch von Twitter und Beiträge von weico von 2015 bis 2022 zum HPV-Impfstoff.
Die Ermittler berücksichtigten nur Beiträge von einzelnen Konten und schlossen Beiträge von Nachrichten, Organisationskonten oder verifizierten Benutzern aus.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Veränderungen in der Prävalenz von Impfzuversicht und -zögerlichkeit
Zeitfenster: Veränderung der Impfzuversicht und Impfskepsis gegenüber der Ausgangsprävalenz nach einem Jahr.
|
Unter „Impfvertrauen“ versteht man die Tweets der Öffentlichkeit, in denen das Vertrauen in die Sicherheit und Wirksamkeit des Impfstoffs, die Anerkennung der Notwendigkeit der Impfung und die Akzeptanz des Impfstoffs zum Ausdruck gebracht werden.
Impfskepsis bedeutet, dass die Tweets impfbezogene Fehlinformationen und Gerüchte zum Ausdruck bringen, Bedenken hinsichtlich der Sicherheit und Wirksamkeit des Impfstoffs ausdrücken und eine Impfablehnung zum Ausdruck bringen.
Die Forscher werden das Verhältnis dieser beiden Kategorien in allen impfbezogenen Tweets als Prävalenz von Impfvertrauen und Impfzögerlichkeit berechnen.
|
Veränderung der Impfzuversicht und Impfskepsis gegenüber der Ausgangsprävalenz nach einem Jahr.
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
---|---|---|
Veränderungen in der Verbreitung maschinell generierter Themen
Zeitfenster: Veränderung gegenüber der Ausgangsprävalenz maschinengenerierter Themen nach einem Jahr.
|
Maschinengenerierte Themen beziehen sich auf impfbezogene Themen, die automatisch durch Methoden des maschinellen Lernens generiert werden, wie z. B. politische Verschwörung, Impfausnahme, unerwünschte Ereignisse im Zusammenhang mit Impfstoffen und andere.
Die Forscher berechnen den Anteil der Tweets, die an jedem maschinengenerierten Thema beteiligt sind, an allen impfstoffbezogenen Tweets als Prävalenz maschinengenerierter Themen.
|
Veränderung gegenüber der Ausgangsprävalenz maschinengenerierter Themen nach einem Jahr.
|
Veränderungen im öffentlichen Engagement in sozialen Medien
Zeitfenster: Veränderung gegenüber dem grundlegenden öffentlichen Engagement in den sozialen Medien nach einem Jahr.
|
Das öffentliche Engagement in sozialen Medien ist ein umfassender Bewertungsindex zur Messung des Sendens, Antwortens und Likens.
Die Ermittler werden den Ausgangswert und die entsprechenden Werte nach einem Jahr aufzeichnen.
|
Veränderung gegenüber dem grundlegenden öffentlichen Engagement in den sozialen Medien nach einem Jahr.
|
Mitarbeiter und Ermittler
Sponsor
Mitarbeiter
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- MacDonald NE; SAGE Working Group on Vaccine Hesitancy. Vaccine hesitancy: Definition, scope and determinants. Vaccine. 2015 Aug 14;33(34):4161-4. doi: 10.1016/j.vaccine.2015.04.036. Epub 2015 Apr 17.
- Larson HJ, Jarrett C, Eckersberger E, Smith DM, Paterson P. Understanding vaccine hesitancy around vaccines and vaccination from a global perspective: a systematic review of published literature, 2007-2012. Vaccine. 2014 Apr 17;32(19):2150-9. doi: 10.1016/j.vaccine.2014.01.081. Epub 2014 Mar 2.
- Sinnenberg L, Buttenheim AM, Padrez K, Mancheno C, Ungar L, Merchant RM. Twitter as a Tool for Health Research: A Systematic Review. Am J Public Health. 2017 Jan;107(1):e1-e8. doi: 10.2105/AJPH.2016.303512. Epub 2016 Nov 17.
- Milinovich GJ, Williams GM, Clements AC, Hu W. Internet-based surveillance systems for monitoring emerging infectious diseases. Lancet Infect Dis. 2014 Feb;14(2):160-8. doi: 10.1016/S1473-3099(13)70244-5. Epub 2013 Nov 28.
- Devlin J, Chang M-W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint, 2018, arXiv:181004805.
- Larson HJ, Jarrett C, Schulz WS, Chaudhuri M, Zhou Y, Dube E, Schuster M, MacDonald NE, Wilson R; SAGE Working Group on Vaccine Hesitancy. Measuring vaccine hesitancy: The development of a survey tool. Vaccine. 2015 Aug 14;33(34):4165-75. doi: 10.1016/j.vaccine.2015.04.037. Epub 2015 Apr 18.
- Blei DM, Ng AY, Jordan MI. Latent dirichlet allocation. J Mach Learn Res, 2003, 3:993-1022.
- Pennebaker J, Boyd R, Jordan K, et al. The development and psychometric properties of LIWC2015. Austin, TX: University of Texas at Austin, 2015.
- Zhao N, Jiao D, Bai S, Zhu T. Evaluating the Validity of Simplified Chinese Version of LIWC in Detecting Psychological Expressions in Short Texts on Social Network Services. PLoS One. 2016 Jun 20;11(6):e0157947. doi: 10.1371/journal.pone.0157947. eCollection 2016.
- Stone JA, Can SH. Linguistic analysis of municipal twitter feeds: Factors influencing frequency and engagement. Gov Inf Q, 2020, 37(4): 101468.
- de Figueiredo A, Simas C, Karafillakis E, Paterson P, Larson HJ. Mapping global trends in vaccine confidence and investigating barriers to vaccine uptake: a large-scale retrospective temporal modelling study. Lancet. 2020 Sep 26;396(10255):898-908. doi: 10.1016/S0140-6736(20)31558-0. Epub 2020 Sep 10.
- Szilagyi PG, Thomas K, Shah MD, Vizueta N, Cui Y, Vangala S, Kapteyn A. National Trends in the US Public's Likelihood of Getting a COVID-19 Vaccine-April 1 to December 8, 2020. JAMA. 2020 Dec 29;325(4):396-8. doi: 10.1001/jama.2020.26419. Online ahead of print.
- Larson HJ, de Figueiredo A, Xiahong Z, Schulz WS, Verger P, Johnston IG, Cook AR, Jones NS. The State of Vaccine Confidence 2016: Global Insights Through a 67-Country Survey. EBioMedicine. 2016 Oct;12:295-301. doi: 10.1016/j.ebiom.2016.08.042. Epub 2016 Sep 13.
- Abd-Alrazaq A, Alhuwail D, Househ M, Hamdi M, Shah Z. Top Concerns of Tweeters During the COVID-19 Pandemic: Infoveillance Study. J Med Internet Res. 2020 Apr 21;22(4):e19016. doi: 10.2196/19016.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (TATSÄCHLICH)
Primärer Abschluss (TATSÄCHLICH)
Studienabschluss (TATSÄCHLICH)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (TATSÄCHLICH)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (TATSÄCHLICH)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Andere Studien-ID-Nummern
- ECT2112016948
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .