Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Sosiaaliseen mediaan perustuva rokotteen luottamuksen ja epäröintien seuranta

tiistai 28. kesäkuuta 2022 päivittänyt: Zhiyuan Hou, Fudan University

Sosiaaliseen mediaan perustuva koneoppimistutkimus rokotteisiin liittyvien riskien seuraamiseksi reaaliajassa

Historia ja tieteellinen näyttö osoittaa, että on ratkaisevan tärkeää säilyttää yleisön luottamus rokotuksiin. Kaikki luottamuskriisit voivat aiheuttaa merkittäviä häiriöitä ja haitallisia vaikutuksia rokotuksiin. Rokotteen epäröinti on monimutkainen ja kontekstikohtainen ongelma, joka vaihtelee ajan, paikan ja rokotteiden mukaan. Maailman terveysjärjestö (WHO) on maininnut sen yhdeksi kymmenestä suurimmasta maailmanlaajuista terveyttä uhkaavasta uhista vuonna 2019. Koronavirustauti (COVID-19) -pandemia voi muuttaa yleisön luottamusta rokotteisiin. Siksi on tarpeen perustaa valvontajärjestelmä rokotteen luottamuksen ja epäröinnin seuraamiseksi reaaliajassa.

Tähän mennessä kasvava määrä kirjallisuutta on käyttänyt sosiaalisen median alustoja, kuten Twitteriä ja weicoa, kansanterveystutkimukseen. Suuria määriä sosiaalisen median alustoihin lähetettyä reaaliaikaista dataa voidaan käyttää nopeasti tunnistamaan yleisön rokotteita koskevat asenteet keinona tukea terveysviestintää ja terveyden edistämistä, viestintää. Sosiaalisen median tekstidataa on kuitenkin vaikea analysoida. Koneoppimisen viimeaikainen kehitys mahdollistaa sosiaalisen median tekstidatan automaattisen analysoinnin reaaliajassa.

Tässä tutkimuksessa tutkijat perustavat rokotteiden sosiaalisen median seuranta- ja analyysialustan, kehittävät sarjan koneoppimismalleja rokotteiden luottamuksen seurantaan ja rokotteisiin liittyvien uusien riskien varhaiseen havaitsemiseen sekä arvioivat rokotteisiin liittyvää julkista viestintää. Tutkijat arvioivat rokotteen luottamuksen ja epäröinnin ajallista ja alueellista jakautumista maailmanlaajuisesti Twitter-tietojen avulla ja Kiinassa Weico-datan avulla kaikkien rokotteiden ja ihmisen papilloomavirusrokotteen (HPV) osalta. Tutkimuksemme ohjaa tehokkaiden terveysviestintästrategioiden suunnittelua rokotteen luottamuksen parantamiseksi.

Tutkimuksen yleiskatsaus

Tila

Peruutettu

Ehdot

Yksityiskohtainen kuvaus

Kerää ja päivitä sosiaalisen median rokotteita koskevaa dataa Tutkijat keräävät automaattisesti kaikki rokotteita koskevat sosiaalisen median viestit reaaliajassa. Sosiaalisen median kohorttitietokanta perustetaan ja päivitetään kaikille rokotteille ja ihmisen papilloomavirusrokotteelle (HPV).
Seuraa rokotteen luottamusta ja epäröintiä reaaliajassa: syvä (valvotut) koneoppimismallit Deep learning -mallilla, valvotulla koneoppimistekniikalla, analysoidaan sosiaalisessa mediassa tekstidataa reaaliajassa ennalta määritellyn rokotteen luottamus- ja epäröintikehyksen mukaisesti. Tutkijat merkitsevät ensin manuaalisesti rokotteita koskevien sosiaalisen median viestien osajoukon (20 000 viestiä). Alkuperäisiä manuaalisesti merkittyjä viestejä käytetään sitten syväoppimismallien kouluttamiseen ja arvioimiseen. Parhaan suorituskyvyn omaavat syväoppimismallit valitaan ja niitä sovelletaan kaikkien rokotteisiin liittyvien virkojen luokitteluun rokotteen luottamus- ja epäröintikehyksen mukaan.
Seuraa esiin tulevia huolenaiheita ja mielialan vaihteluita reaaliajassa varoittaaksesi rokotteisiin liittyvistä riskeistä tai kriiseistä varhaisessa vaiheessa: aiheiden (valvomattomat) koneoppimismallit ja lingvistinen analyysi Joitakin aiheita on syväoppimismalleissa käytetyn ennalta määritellyn rokotteen luottamuksen ja epäröintikehyksen ulkopuolella, ja uusia aiheita tulee esiin milloin tahansa. Rokotekriisi vaikuttaisi julkisuuteen. Esiin tulevien aiheiden ja mielialan vaihteluiden seuraaminen antaa varhaisen varoituksen rokotteisiin liittyvistä riskeistä tai kriiseistä. Käytä Topic Modellingiä, valvomatonta koneoppimistekniikkaa, joka voi automaattisesti luokitella tekstin edustaviin aiheisiin sosiaalisessa mediassa seurataksesi esiin nousevia rokotteisiin liittyviä aiheita ja huolenaiheita.
Arvioi yleisön sitoutumista sosiaaliseen mediaan tehokkaiden terveysviestintästrategioiden kehittämiseksi: sosiaalisen median sitoutumisanalyysi Sosiaalisen median julkaisutietojen lisäksi analysoitavissa on myös viestien sitoutumistiedot, mukaan lukien tykkäykset, kommentit ja viestien jakaminen. Tutkijat tekevät sosiaalisen median sitoutumisanalyysin tutkiakseen julkista viestintää rokotteisiin liittyen verkossa. Tämä ohjaa tehokkaiden terveysviestintästrategioiden suunnittelua.
Perustaa sosiaalisen median seuranta- ja analyysialustan rokotteen luottamusta ja kriisejä varten Yllä olevien vaiheiden avulla tutkijat perustavat sosiaalisen median seuranta- ja analyysialustan rokotteen luottamusta ja kriisejä varten. Aikasarjatrendit, maantieteellinen vaihtelu ja edellä tuotettuihin indikaattoreihin liittyvät tekijät esitellään rokotteen luottamuksen valvomiseksi reaaliajassa, nousevien riskien tai kriisien varhaisvaroittamiseksi ja tehokkaiden terveysviestintästrategioiden tiedottamiseksi.
Aiempi tutkimuskokemus Tutkijat ovat tehneet joukon asiaankuuluvia tutkimuksia analysoidakseen sosiaalisen median dataa koneoppimistekniikoiden avulla COVID-19-epidemian aikana, kattaen luottamusta COVID-19-rokotteisiin ja yleisön reagoinnin COVID-19:ään. Nämä kokemukset tekevät tämänhetkisen tutkimuksen toteuttamiskelpoisen.

Opintotyyppi

Havainnollistava

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

AIKUINEN
OLDER_ADULT
LAPSI

Hyväksyy terveitä vapaaehtoisia

Joo

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Rokotteisiin liittyvät postaukset sosiaalisessa mediassa ovat tutkimuksemme kohteena arvioidaksemme yleisön rokotusluottamusta ja epäröintiä. Jokainen viestitietue sisältää tilin nimen, profiilit, sisällön, postitusajan, seuraajien määrän ja sitoutumistiedot.

Kuvaus

Sisällyttämiskriteerit:

Rokotteisiin liittyvät twiitit ja weico-viestit
Julkaistu 2015-2022
Englanninkieliset twiitit
Twiitit/viestit henkilökohtaisista tileistä.

Poissulkemiskriteerit:

Tweetit/viestit uutisista, organisaation tileiltä tai todennetuilta käyttäjiltä
Ei-englanninkieliset twiitit.

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Ryhmien/kohorttien lukumäärä

Kohortit ja interventiot

Ryhmä/Kohortti
Maailmanlaajuinen tietokanta rokotteisiin liittyvistä viesteistä Twitterin englanninkieliset twiitit ja weicon viestit vuosina 2015–2022 kaikista rokotteista. Tutkijat ottivat mukaan vain yksittäisten tilien viestejä ja sulkivat pois uutiset, organisaation tilit tai vahvistetut käyttäjät.
HPV-rokotteisiin liittyvien viestien maailmanlaajuinen tietokanta Englanninkieliset twiitit Twitteristä ja julkaisut weicolta vuosina 2015–2022 HPV-rokotteesta. Tutkijat ottivat mukaan vain yksittäisten tilien viestejä ja sulkivat pois uutiset, organisaation tilit tai vahvistetut käyttäjät.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus	Toimenpiteen kuvaus	Aikaikkuna
Muutokset rokotteen luottamuksen ja epäröinnin yleisyydessä Aikaikkuna: Muutos rokotteen luottamuksen ja rokotteen epäröinnin esiintyvyydestä lähtötilanteesta yhden vuoden kohdalla.	Rokoteluottamuksella tarkoitetaan yleisön twiittejä, joissa ilmaistaan luottamus rokotteen turvallisuuteen ja tehokkuuteen, rokotuksen välttämättömyyden tunnustamiseen ja rokotteen hyväksymiseen. Rokotteen epäröinti tarkoittaa, että tweetit ilmaisevat rokotteisiin liittyvää väärää tietoa ja huhuja, ovat huolissaan rokotteen turvallisuudesta ja tehokkuudesta sekä rokotteen hylkäämisestä. Tutkijat laskevat näiden kahden luokan suhteen kaikissa rokotteisiin liittyvissä twiiteissä rokotteen luottamuksen ja rokotteen epäröinnin esiintyvyyden mukaan.	Muutos rokotteen luottamuksen ja rokotteen epäröinnin esiintyvyydestä lähtötilanteesta yhden vuoden kohdalla.

Toissijaiset tulostoimenpiteet

Tulosmittaus	Toimenpiteen kuvaus	Aikaikkuna
Muutokset koneella luotujen aiheiden yleisyydessä Aikaikkuna: Muutos koneellisesti luotujen aiheiden yleisyydestä lähtötasosta yhden vuoden kohdalla.	Koneella luodut aiheet viittaavat koneoppimismenetelmillä automaattisesti luotuihin rokotteisiin liittyviin aiheisiin, kuten poliittisiin salaliittoihin, rokotuksista vapauttamiseen, rokotteiden haittatapahtumiin ja muihin. Tutkijat laskevat kuhunkin koneella luotuun aiheeseen liittyvien twiittien suhteen kaikissa rokotteisiin liittyvissä twiiteissä koneella luotujen aiheiden yleisyytenä.	Muutos koneellisesti luotujen aiheiden yleisyydestä lähtötasosta yhden vuoden kohdalla.
Muutoksia julkisuudessa sosiaalisessa mediassa Aikaikkuna: Muutos perustasosta julkisen sitoutumisen sosiaaliseen mediaan 1 vuoden kohdalla.	Julkinen sitoutuminen sosiaalisessa mediassa on kattava arviointiindeksi, jolla mitataan lähetystä, vastausta ja vastaavia. Tutkijat tallentavat lähtötilanteen ja vastaavat arvot vuoden kuluttua.	Muutos perustasosta julkisen sitoutumisen sosiaaliseen mediaan 1 vuoden kohdalla.

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Fudan University

Yhteistyökumppanit

Merck Sharp & Dohme LLC

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Yleiset julkaisut

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.

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (TODELLINEN)

Tiistai 1. maaliskuuta 2022

Ensisijainen valmistuminen (TODELLINEN)

Keskiviikko 1. kesäkuuta 2022

Opintojen valmistuminen (TODELLINEN)

Perjantai 24. kesäkuuta 2022

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Maanantai 21. maaliskuuta 2022

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Tiistai 28. kesäkuuta 2022

Ensimmäinen Lähetetty (TODELLINEN)

Tiistai 5. heinäkuuta 2022

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (TODELLINEN)