- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT05442762
Közösségi médián alapuló vakcina-bizalom és tétovázás monitorozása
Egy közösségi médián alapuló gépi tanulási tanulmány az oltással kapcsolatos bizalom és tétovázás, valamint az oltással kapcsolatos felmerülő kockázatok korai figyelmeztetésére valós időben történő nyomon követésére
A történelem és a tudományos bizonyítékok azt mutatják, hogy kritikus fontosságú az oltásba vetett közbizalom és bizalom fenntartása. Bármilyen bizalmi válság jelentős fennakadást okozhat, és káros hatással lehet a vakcinázásra. Az oltással való tétovázás összetett és kontextus-specifikus probléma, amely időben, helyen és vakcinákonként változik. Az Egészségügyi Világszervezet (WHO) 2019-ben a világ egészségét fenyegető tíz legnagyobb fenyegetés közé sorolta. A koronavírus-betegség (COVID-19) járvány megváltoztathatja a közvélemény vakcinákba vetett bizalmát. Ezért olyan felügyeleti rendszert kell létrehozni, amely valós időben követi nyomon a vakcina bizalmát és a tétovázást.
A mai napig egyre több irodalom használt közösségi média platformokat, mint például a Twitter és a weico közegészségügyi kutatásokhoz. A közösségi média platformokon közzétett nagy mennyiségű valós idejű adat felhasználható a lakosság vakcinákkal kapcsolatos attitűdjének gyors azonosítására, ezzel is támogatva az egészségügyi kommunikációt és az egészségfejlesztést, az üzenetküldést. A közösségi médiában található szöveges adatok azonban nehezen elemezhetők. A gépi tanulás terén a közelmúltban elért fejlődés lehetővé teszi a szöveges adatok automatikus, valós időben történő elemzését a közösségi médiában.
Ebben a tanulmányban a kutatók létrehoznak egy közösségi média megfigyelési és elemzési platformot az oltásokról, gépi tanulási modellsorozatot dolgoznak ki az oltások bizalmának nyomon követésére és a vakcinákkal kapcsolatos újonnan felmerülő kockázatok korai felismerésére, valamint értékelik a vakcinákkal kapcsolatos nyilvános kommunikációt. A kutatók az oltásbizalom és a tétovázás időbeli és térbeli megoszlását világszerte Twitter-adatok, Kínában pedig weico-adatok felhasználásával értékelik majd az összes oltóanyag és a humán papillomavírus (HPV) elleni vakcina esetében. Tanulmányunk útmutatást ad a hatékony egészségügyi kommunikációs stratégiák megtervezéséhez az oltásbizalom javítása érdekében.
A tanulmány áttekintése
Állapot
Részletes leírás
- Gyűjtsd össze és frissítsd a közösségi médiában az oltóanyagokkal kapcsolatos adatokat A nyomozók automatikusan, valós időben összegyűjtik a vakcinákkal kapcsolatos összes közösségimédia-bejegyzést. A közösségi média kohorsz-adatbázisát létrehozzák és frissítik az összes vakcina és a humán papilloma vírus (HPV) elleni vakcina tekintetében.
- Az oltásbizalom és a tétovázás valós időben történő nyomon követése: mély (felügyelt) gépi tanulási modellek A mély tanulási modell, egy felügyelt gépi tanulási technika, a közösségi médiában található szöveges adatok valós időben történő elemzésére szolgál, az előre meghatározott vakcina-bizalom és tétova keretrendszer szerint. A kutatók először manuálisan kommentálják a közösségi médiában található bejegyzések egy részét (20 000 bejegyzés) a vakcinákkal kapcsolatban. A kezdeti, manuálisan kommentált bejegyzéseket ezután a mély tanulási modellek betanításához és értékeléséhez használják. A legjobb teljesítményt nyújtó mély tanulási modelleket választják ki, és alkalmazzák az oltással kapcsolatos összes poszt besorolására az oltással kapcsolatos bizalmi és tétovázási keretrendszer szerint.
- Kövesse nyomon a felmerülő aggodalmakat és a hangulatingadozásokat valós időben, hogy korán figyelmeztesse az oltással kapcsolatos kockázatokat vagy válságokat: téma (felügyelet nélküli) gépi tanulási modellek és nyelvi elemzés Vannak olyan témák, amelyek kívül esnek a mélytanulási modellekben használt, előre meghatározott vakcina-bizalom és tétova kereteken, és új témák bármikor előkerülnek. Az oltásválság befolyásolná a közvéleményt. A felmerülő témák és a hangulatingadozások nyomon követése korai figyelmeztetést biztosít az oltással kapcsolatos kockázatokra vagy válságokra. Használja a témamodellezést, egy felügyelt gépi tanulási technikát, amely automatikusan besorolja a szöveget a közösségi médiában megjelenő reprezentatív témákhoz, hogy figyelemmel kísérhesse a felmerülő témákat és a vakcinákkal kapcsolatos aggályokat.
- Értékelje a közösségi médiában való nyilvános szerepvállalást a hatékony egészségügyi kommunikációs stratégiák megalapozása érdekében: közösségi média elkötelezettség elemzése A közösségi médiában közzétett bejegyzések adatai mellett a bejegyzések elkötelezettségi adatai is elérhetők elemzésre, beleértve a kedveléseket, megjegyzéseket és bejegyzések megosztásait. A nyomozók a közösségi médiában való részvétel elemzését végzik, hogy megvizsgálják a vakcinákkal kapcsolatos online kommunikációt. Ez irányítja a hatékony egészségügyi kommunikációs stratégiák kialakítását.
- Közösségi média megfigyelési és elemzési platform létrehozása az oltásbizalom és válsághelyzet érdekében A fenti lépésekkel a nyomozók létrehoznak egy közösségi média megfigyelési és elemzési platformot az oltásbizalom és válsághelyzetek érdekében. A fent előállított mutatók idősoros trendjeit, földrajzi eltéréseit és kapcsolódó tényezőit bemutatjuk az oltásbizalom valós időben történő nyomon követése, a felmerülő kockázatok vagy válságok korai figyelmeztetése, valamint a hatékony egészségügyi kommunikációs stratégiák megalapozása érdekében.
- Korábbi kutatási tapasztalatok A nyomozók egy sor releváns tanulmányt végeztek a közösségi média adatainak gépi tanulási technikák segítségével történő elemzésére a COVID-19 járvány idején, kiterjedve a COVID-19 vakcina iránti bizalomra és a nyilvánosság COVID-19-re adott reakciójára. Ezek a tapasztalatok teszik megvalósíthatóvá a jelenlegi tanulmányt.
Tanulmány típusa
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- FELNŐTT
- OLDER_ADULT
- GYERMEK
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Vakcinákkal kapcsolatos tweetek és weico-bejegyzések
- Megjelent: 2015-2022
- angol tweetek
- Tweetek/bejegyzések személyes fiókokból.
Kizárási kritériumok:
- Hírekből, szervezeti fiókokból vagy hitelesített felhasználókból származó tweetek/bejegyzések
- Nem angol tweetek.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
---|
Oltóanyaggal kapcsolatos bejegyzések globális adatbázisa
Angol tweetek a Twitterről és a weico bejegyzései 2015 és 2022 között az összes vakcinára vonatkozóan.
A nyomozók csak az egyéni fiókokból származó bejegyzéseket vették figyelembe, és kizárták a hírekből, a szervezeti fiókokból vagy az ellenőrzött felhasználókból származó bejegyzéseket.
|
A HPV-oltással kapcsolatos bejegyzések globális adatbázisa
Angol tweetek a Twitterről és a weico bejegyzései 2015 és 2022 között a HPV-oltással kapcsolatban.
A nyomozók csak az egyéni fiókokból származó bejegyzéseket vették figyelembe, és kizárták a hírekből, a szervezeti fiókokból vagy az ellenőrzött felhasználókból származó bejegyzéseket.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Változások az oltásbizalom és a tétovázás gyakoriságában
Időkeret: Az oltásbizalom és az oltással való tétovázás kiindulási prevalenciájának változása 1 év után.
|
Az oltás iránti bizalom a nyilvánosság azon tweetjeire utal, amelyek kifejezik az oltás biztonságosságába és hatékonyságába vetett bizalmat, az oltás szükségességének felismerését és az oltás elfogadottságát.
Az oltással kapcsolatos tétovázás azt jelenti, hogy a tweetek vakcinával kapcsolatos téves információkat és pletykákat fejeznek ki, aggódnak az oltás biztonsága és hatékonysága miatt, valamint az oltás elutasítását.
A kutatók ennek a két kategóriának az arányát az összes vakcinával kapcsolatos tweetben az oltással kapcsolatos bizalom és az oltással való tétovázás gyakoriságaként fogják kiszámítani.
|
Az oltásbizalom és az oltással való tétovázás kiindulási prevalenciájának változása 1 év után.
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Változások a géppel generált témák elterjedtségében
Időkeret: Változás a géppel generált témák kiindulási prevalenciájához képest 1 év után.
|
A géppel generált témák a gépi tanulási módszerekkel automatikusan generált, oltással kapcsolatos témákra vonatkoznak, mint például a politikai összeesküvés, az oltás alóli mentesség, az oltással kapcsolatos nemkívánatos események és mások.
A kutatók kiszámítják az egyes géppel generált témákban érintett tweetek arányát az összes vakcinával kapcsolatos tweetben, mint a géppel generált témák gyakoriságát.
|
Változás a géppel generált témák kiindulási prevalenciájához képest 1 év után.
|
Változások a közösségi médiában való részvételben
Időkeret: Változás a közösségi médiában való alapvető nyilvános szerepvállaláshoz képest 1 év után.
|
A közösségi médiában való nyilvános szerepvállalás egy átfogó értékelési index a továbbítás, a válaszadás és hasonlók mérésére.
A vizsgálók egy év elteltével rögzítik az alapvonalat és a megfelelő értékeket.
|
Változás a közösségi médiában való alapvető nyilvános szerepvállaláshoz képest 1 év után.
|
Együttműködők és nyomozók
Szponzor
Együttműködők
Publikációk és hasznos linkek
Általános kiadványok
- 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.
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (TÉNYLEGES)
Elsődleges befejezés (TÉNYLEGES)
A tanulmány befejezése (TÉNYLEGES)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (TÉNYLEGES)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (TÉNYLEGES)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Egyéb vizsgálati azonosító számok
- ECT2112016948
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .
Klinikai vizsgálatok a Adatgyűjtés
-
Massachusetts General HospitalBefejezveA gyógyszer kötődése a DAT-receptorokhozEgyesült Államok