Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Surveillance de la confiance et de l'hésitation vis-à-vis des vaccins basée sur les médias sociaux

28 juin 2022 mis à jour par: Zhiyuan Hou, Fudan University

Une étude d'apprentissage automatique basée sur les médias sociaux pour surveiller la confiance et l'hésitation face aux vaccins et prévenir en temps réel les risques émergents liés aux vaccins

L'histoire et les preuves scientifiques montrent qu'il est essentiel de maintenir la confiance du public dans la vaccination. Toute crise de confiance est susceptible de provoquer des perturbations importantes et d'avoir un impact négatif sur la vaccination. La réticence à la vaccination est un problème complexe et spécifique au contexte qui varie selon le temps, le lieu et les vaccins. Il a été cité par l'Organisation mondiale de la santé (OMS) comme l'une des dix principales menaces pour la santé mondiale en 2019. La pandémie de maladie à coronavirus (COVID-19) pourrait modifier la confiance du public dans les vaccins. Par conséquent, il est nécessaire d'établir un système de surveillance pour surveiller la confiance et l'hésitation vaccinales en temps réel.

À ce jour, un nombre croissant de publications a utilisé des plateformes de médias sociaux telles que Twitter et weico pour la recherche en santé publique. De grandes quantités de données en temps réel publiées sur les plateformes de médias sociaux peuvent être utilisées pour identifier rapidement les attitudes du public à l'égard des vaccins, comme moyen de soutenir la communication et la promotion de la santé, la messagerie. Cependant, les données textuelles sur les médias sociaux sont difficiles à analyser. Les progrès récents du machine learning permettent d'analyser automatiquement et en temps réel des données textuelles sur les réseaux sociaux.

Dans cette étude, les chercheurs établiront une plateforme de surveillance et d'analyse des médias sociaux sur les vaccins, développeront une série de modèles d'apprentissage automatique pour surveiller la confiance dans les vaccins et détecter précocement les risques émergents liés aux vaccins, et évalueront la communication publique autour des vaccins. Les chercheurs évalueront la distribution temporelle et spatiale de la confiance et de l'hésitation face aux vaccins dans le monde à l'aide des données Twitter et en Chine à l'aide des données weico, pour tous les vaccins et le vaccin contre le virus du papillome humain (VPH), respectivement. Notre étude guidera la conception de stratégies efficaces de communication sur la santé pour améliorer la confiance dans les vaccins.

Aperçu de l'étude

Statut

Retiré

Les conditions

Description détaillée

  1. Recueillir et mettre à jour les données des médias sociaux concernant les vaccins Les enquêteurs recueilleront automatiquement tous les messages des médias sociaux concernant les vaccins en temps réel. Une base de données sur les cohortes de médias sociaux sera établie et mise à jour pour tous les vaccins et le vaccin contre le virus du papillome humain (VPH), respectivement.
  2. Surveiller la confiance et l'hésitation des vaccins en temps réel : modèles d'apprentissage automatique profond (supervisé) Le modèle d'apprentissage profond, une technique d'apprentissage automatique supervisé, sera utilisé pour analyser les données textuelles sur les médias sociaux en temps réel selon le cadre prédéfini de confiance et d'hésitation des vaccins. Les enquêteurs annoteront d'abord manuellement un sous-ensemble de publications sur les réseaux sociaux (20 000 publications) concernant les vaccins. Les messages initiaux annotés manuellement sont ensuite utilisés pour former et évaluer des modèles d'apprentissage en profondeur. Les modèles d'apprentissage en profondeur les plus performants sont sélectionnés et appliqués pour classer tous les messages liés aux vaccins selon le cadre de confiance et d'hésitation des vaccins.
  3. Surveiller les préoccupations émergentes et les changements de sentiment en temps réel pour avertir rapidement les risques ou les crises liés aux vaccins : modèles d'apprentissage automatique (non supervisés) et analyse linguistique de sujets les sujets émergent à tout moment. La crise des vaccins influencerait les sentiments du public. La surveillance des sujets émergents et des changements de sentiment fournira une alerte précoce des risques ou des crises liés aux vaccins. Utilisez la modélisation thématique, une technique d'apprentissage automatique non supervisée qui peut classer automatiquement le texte en sujets représentatifs dans les médias sociaux, pour surveiller les sujets émergents et les préoccupations concernant les vaccins.
  4. Évaluer l'engagement du public sur les réseaux sociaux pour éclairer des stratégies de communication efficaces en matière de santé : analyse de l'engagement sur les réseaux sociaux Outre les données sur les publications sur les réseaux sociaux, les données d'engagement des publications sont également disponibles pour être analysées, y compris les mentions J'aime, les commentaires et les partages de publications. Les enquêteurs effectueront une analyse de l'engagement des médias sociaux pour enquêter sur la communication publique autour des vaccins en ligne. Cela guidera la conception de stratégies efficaces de communication sur la santé.
  5. Établir une plate-forme de surveillance et d'analyse des médias sociaux pour la confiance et la crise des vaccins À travers les étapes ci-dessus, les enquêteurs établiront une plate-forme de surveillance et d'analyse des médias sociaux pour la confiance et la crise des vaccins. Les tendances des séries chronologiques, les variations géographiques et les facteurs associés des indicateurs produits ci-dessus seront présentés pour surveiller la confiance dans les vaccins en temps réel, avertir rapidement les risques ou crises émergents et éclairer les stratégies de communication sanitaire efficaces.
  6. Expérience de recherche passée Les chercheurs ont mené une série d'études pertinentes pour analyser les données des médias sociaux à l'aide de techniques d'apprentissage automatique pendant l'épidémie de COVID-19, couvrant la confiance dans le vaccin COVID-19 et la réponse du public au COVID-19. Ces expériences rendent l'étude actuelle réalisable.

Type d'étude

Observationnel

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

  • ADULTE
  • OLDER_ADULT
  • ENFANT

Accepte les volontaires sains

Oui

Sexes éligibles pour l'étude

Tout

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Les publications sur les vaccins sur les réseaux sociaux font l'objet de nos recherches pour évaluer la confiance et l'hésitation du public face aux vaccins. Chaque enregistrement de publication comprend le nom du compte, les profils, le contenu, l'heure de publication, le nombre d'abonnés et les données d'engagement.

La description

Critère d'intégration:

  • Tweets et messages weico liés aux vaccins
  • Publié en 2015-2022
  • Tweets en anglais
  • Tweets/publications de comptes personnels.

Critère d'exclusion:

  • Tweets/publications d'actualités, de comptes d'organisation ou d'utilisateurs authentifiés
  • Tweets non anglais.

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

Cohortes et interventions

Groupe / Cohorte
Base de données mondiale des messages liés aux vaccins
Tweets en anglais de Twitter et messages de weico de 2015 à 2022 pour tous les vaccins. Les enquêteurs n'ont inclus que les messages de comptes individuels et ont exclu ceux des actualités, des comptes d'organisation ou des utilisateurs vérifiés.
Base de données mondiale des messages liés au vaccin contre le VPH
Tweets en anglais de Twitter et messages de weico de 2015 à 2022 pour le vaccin contre le VPH. Les enquêteurs n'ont inclus que les messages de comptes individuels et ont exclu ceux des actualités, des comptes d'organisation ou des utilisateurs vérifiés.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Changements dans la prévalence de la confiance et de l'hésitation à l'égard des vaccins
Délai: Changement par rapport à la prévalence de base de la confiance vis-à-vis du vaccin et de la réticence face au vaccin à 1 an.
La confiance dans les vaccins fait référence aux tweets du public exprimant sa confiance dans l'innocuité et l'efficacité des vaccins, la reconnaissance de la nécessité de la vaccination et l'acceptation des vaccins. L'hésitation à l'égard des vaccins signifie que les tweets expriment des informations erronées et des rumeurs liées aux vaccins, des inquiétudes quant à la sécurité et à l'efficacité du vaccin et le rejet du vaccin. Les enquêteurs calculeront le rapport de ces deux catégories dans tous les tweets liés aux vaccins comme la prévalence de la confiance vis-à-vis des vaccins et de la réticence vis-à-vis des vaccins.
Changement par rapport à la prévalence de base de la confiance vis-à-vis du vaccin et de la réticence face au vaccin à 1 an.

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Changements dans la prévalence des sujets générés par les machines
Délai: Changement par rapport à la prévalence de base des sujets générés par la machine à 1 an.
Les rubriques générées automatiquement font référence aux rubriques liées aux vaccins générées automatiquement par des méthodes d'apprentissage automatique, telles que le complot politique, l'exemption de vaccins, les événements indésirables liés aux vaccins, etc. Les enquêteurs calculeront le ratio de tweets impliqués dans chaque sujet généré par la machine dans tous les tweets liés aux vaccins comme la prévalence des sujets générés par la machine.
Changement par rapport à la prévalence de base des sujets générés par la machine à 1 an.
Changements dans l'engagement du public sur les médias sociaux
Délai: Changement par rapport à l'engagement public de base sur les médias sociaux à 1 an.
L'engagement du public sur les médias sociaux est un indice d'évaluation complet pour mesurer la transmission, la réponse et les likes. Les enquêteurs enregistreront la ligne de base et les valeurs correspondantes après un an.
Changement par rapport à l'engagement public de base sur les médias sociaux à 1 an.

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Parrainer

Fudan University

Collaborateurs

Merck Sharp & Dohme LLC

Publications et liens utiles

La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.

Publications générales

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (RÉEL)

1 mars 2022

Achèvement primaire (RÉEL)

1 juin 2022

Achèvement de l'étude (RÉEL)

24 juin 2022

Dates d'inscription aux études

Première soumission

21 mars 2022

Première soumission répondant aux critères de contrôle qualité

28 juin 2022

Première publication (RÉEL)

5 juillet 2022

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (RÉEL)

5 juillet 2022

Dernière mise à jour soumise répondant aux critères de contrôle qualité

28 juin 2022

Dernière vérification

1 juin 2022

Plus d'information

Termes liés à cette étude

Mots clés

Autres numéros d'identification d'étude

  • ECT2112016948

Plan pour les données individuelles des participants (IPD)

Prévoyez-vous de partager les données individuelles des participants (DPI) ?

NON

Description du régime IPD

Selon les termes de l'accord, les données individuelles ne peuvent pas être partagées.

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .

S'abonner