소셜 미디어 기반 백신 신뢰도 및 망설임 모니터링
2022년 6월 28일 업데이트: Zhiyuan Hou, Fudan University
백신 신뢰도와 망설임을 모니터링하고 실시간으로 발생하는 백신 관련 위험을 조기에 경고하기 위한 소셜 미디어 기반 기계 학습 연구
역사와 과학적 증거는 예방접종에 대한 대중의 신뢰와 신뢰를 유지하는 것이 중요하다는 것을 보여줍니다. 모든 기밀 위기는 백신 접종에 심각한 혼란과 해로운 영향을 미칠 가능성이 있습니다. 백신 주저는 시간, 장소 및 백신에 따라 달라지는 복잡하고 상황에 따른 문제입니다. 세계보건기구(WHO)는 2019년 세계 보건을 위협하는 10대 위협 중 하나로 꼽았다. 코로나바이러스 감염증(COVID-19) 대유행은 백신에 대한 대중의 신뢰를 바꿀 수 있습니다. 따라서 백신의 신뢰도와 주저도를 실시간으로 모니터링할 수 있는 감시체계를 구축할 필요가 있다.
현재까지 점점 더 많은 문헌이 공중 보건 연구를 위해 Twitter 및 weico와 같은 소셜 미디어 플랫폼을 사용했습니다. 소셜 미디어 플랫폼에 게시된 대량의 실시간 데이터를 사용하여 백신에 대한 대중의 태도를 신속하게 파악하고 건강 커뮤니케이션 및 건강 증진, 메시지를 지원하는 방법으로 사용할 수 있습니다. 그러나 소셜 미디어의 텍스트 데이터는 분석하기 어렵습니다. 최근 기계 학습의 발전으로 소셜 미디어의 텍스트 데이터를 실시간으로 자동 분석할 수 있습니다.
이 연구에서 조사관은 백신에 대한 소셜 미디어 감시 및 분석 플랫폼을 구축하고, 백신 신뢰도를 모니터링하고 새로운 백신 관련 위험을 조기에 감지하기 위한 일련의 기계 학습 모델을 개발하고, 백신에 대한 대중 커뮤니케이션을 평가합니다. 연구자들은 모든 백신과 HPV(Human Papilloma Virus) 백신에 대해 트위터 데이터를 사용하여 전 세계적으로, weico 데이터를 사용하여 중국에서 백신 신뢰도와 망설임의 시간적 및 공간적 분포를 평가할 것입니다. 우리의 연구는 백신 신뢰도를 향상시키기 위한 효과적인 건강 커뮤니케이션 전략의 설계를 안내할 것입니다.
연구 개요
상세 설명
- 백신에 관한 소셜 미디어 데이터 수집 및 업데이트 조사관은 백신에 관한 모든 소셜 미디어 게시물을 실시간으로 자동 수집합니다. 소셜 미디어 코호트 데이터베이스는 모든 백신과 인유두종 바이러스(HPV) 백신에 대해 각각 구축 및 업데이트됩니다.
- 실시간으로 백신 신뢰도 및 망설임 모니터링: 딥(지도) 머신 러닝 모델 감독 머신 러닝 기법인 딥 러닝 모델을 사용하여 미리 정의된 백신 신뢰 및 망설임 프레임워크에 따라 실시간으로 소셜 미디어의 텍스트 데이터를 분석합니다. 조사관은 먼저 백신에 관한 소셜 미디어 게시물(게시물 20,000개)의 하위 집합에 수동으로 주석을 달 것입니다. 그런 다음 초기 수동 주석 게시물을 사용하여 딥 러닝 모델을 교육하고 평가합니다. 최고의 성능을 가진 딥 러닝 모델을 선택하여 적용하여 모든 백신 관련 게시물을 백신 신뢰도 및 망설임 프레임워크에 따라 분류합니다.
- 백신 관련 위험 또는 위기를 조기에 경고하기 위해 실시간으로 새로운 우려와 정서 변동을 모니터링합니다. 주제(감독되지 않은) 머신 러닝 모델 및 언어 분석 주제는 언제든지 나타납니다. 백신 위기는 대중 정서에 영향을 미칠 것입니다. 새로운 주제와 정서 변화를 모니터링하면 백신 관련 위험이나 위기를 조기에 경고할 수 있습니다. 소셜 미디어에서 텍스트를 대표 주제로 자동 분류할 수 있는 감독되지 않은 기계 학습 기술인 주제 모델링을 사용하여 백신에 관한 새로운 주제와 우려 사항을 모니터링합니다.
- 효과적인 건강 커뮤니케이션 전략을 알리기 위해 소셜 미디어에 대한 대중의 참여를 평가합니다. 소셜 미디어 참여 분석 소셜 미디어의 게시물 데이터 외에도 좋아요, 댓글 및 게시물 공유를 포함하여 게시물의 참여 데이터도 분석할 수 있습니다. 조사관은 온라인 백신에 대한 대중 커뮤니케이션을 조사하기 위해 소셜 미디어 참여 분석을 수행할 것입니다. 이것은 효과적인 건강 커뮤니케이션 전략의 설계를 안내할 것입니다.
- 백신 신뢰도 및 위기에 대한 소셜 미디어 감시 및 분석 플랫폼 구축 위의 단계를 통해 조사관은 백신 신뢰도 및 위기에 대한 소셜 미디어 감시 및 분석 플랫폼을 구축합니다. 위에서 생성된 지표의 시계열 추세, 지리적 변동 및 관련 요소는 실시간으로 백신 신뢰도를 모니터링하고, 새로운 위험 또는 위기를 조기에 경고하고, 효과적인 건강 커뮤니케이션 전략을 알리기 위해 제시될 것입니다.
- 과거 연구 경험 조사관은 COVID-19 백신 신뢰도와 COVID-19에 대한 대중의 반응을 다루는 COVID-19 전염병 동안 기계 학습 기술을 사용하여 소셜 미디어 데이터를 분석하기 위해 일련의 관련 연구를 수행했습니다. 이러한 경험은 현재 연구를 실현 가능하게 만듭니다.
연구 유형
관찰
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 성인
- OLDER_ADULT
- 어린이
건강한 자원 봉사자를 받아들입니다
예
연구 대상 성별
모두
샘플링 방법
비확률 샘플
연구 인구
소셜 미디어의 백신 관련 게시물은 대중의 백신 신뢰도와 망설임을 평가하기 위한 연구의 대상입니다.
각 게시물 기록은 계정 이름, 프로필, 콘텐츠, 게시 시간, 팔로워 수 및 참여 데이터로 구성됩니다.
설명
포함 기준:
- 백신 관련 트윗 및 weico 게시물
- 2015-2022년 발행
- 영어 트윗
- 개인 계정의 트윗/게시물.
제외 기준:
- 뉴스, 조직 계정 또는 인증된 사용자의 트윗/게시물
- 영어가 아닌 트윗.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
|---|
|
백신 관련 게시물의 글로벌 데이터베이스
2015년부터 2022년까지 모든 백신에 대해 Twitter에서 영어로 트윗하고 weico에서 게시합니다.
조사관은 개인 계정의 게시물만 포함하고 뉴스, 조직 계정 또는 인증된 사용자의 게시물은 제외했습니다.
|
|
HPV 백신 관련 게시물의 글로벌 데이터베이스
2015년부터 2022년까지 HPV 백신에 대한 Twitter의 영어 트윗과 weico의 게시물.
조사관은 개인 계정의 게시물만 포함하고 뉴스, 조직 계정 또는 인증된 사용자의 게시물은 제외했습니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
백신에 대한 확신과 망설임의 유병률 변화
기간: 1년 시점에서 백신 신뢰도 및 백신 망설임의 기준 유병률로부터의 변화.
|
백신 신뢰도란 백신의 안전성과 유효성에 대한 신뢰, 백신 접종의 필요성에 대한 인식, 백신 수용성을 표현하는 대중의 트윗을 말한다.
백신 주저는 트윗이 백신 관련 잘못된 정보와 소문, 백신의 안전성과 효과에 대한 우려, 백신 거부를 표현한다는 것을 의미합니다.
조사관은 모든 백신 관련 트윗에서 이 두 범주의 비율을 백신 신뢰도와 백신 주저도의 유병률로 계산할 것입니다.
|
1년 시점에서 백신 신뢰도 및 백신 망설임의 기준 유병률로부터의 변화.
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
기계 생성 주제 보급률의 변화
기간: 1년 후 기계 생성 주제의 기준 보급률에서 변경됩니다.
|
기계 생성 주제는 정치적 음모, 백신 면제, 백신 부작용 등 기계 학습 방법을 통해 자동으로 생성된 백신 관련 주제를 말합니다.
조사관은 모든 백신 관련 트윗에서 각 기계 생성 주제와 관련된 트윗의 비율을 기계 생성 주제의 유병률로 계산할 것입니다.
|
1년 후 기계 생성 주제의 기준 보급률에서 변경됩니다.
|
|
소셜 미디어에 대한 대중 참여의 변화
기간: 1년 후 소셜 미디어에 대한 기본 대중 참여에서 변경됩니다.
|
소셜 미디어에 대한 대중의 참여는 전송, 응답, 좋아요 등을 측정하는 종합적인 평가 지표입니다.
조사관은 1년 후에 기준선과 해당 값을 기록합니다.
|
1년 후 소셜 미디어에 대한 기본 대중 참여에서 변경됩니다.
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
간행물 및 유용한 링크
연구에 대한 정보 입력을 담당하는 사람이 자발적으로 이러한 간행물을 제공합니다. 이것은 연구와 관련된 모든 것에 관한 것일 수 있습니다.
일반 간행물
- 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.
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2022년 3월 1일
기본 완료 (실제)
2022년 6월 1일
연구 완료 (실제)
2022년 6월 24일
연구 등록 날짜
최초 제출
2022년 3월 21일
QC 기준을 충족하는 최초 제출
2022년 6월 28일
처음 게시됨 (실제)
2022년 7월 5일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2022년 7월 5일
QC 기준을 충족하는 마지막 업데이트 제출
2022년 6월 28일
마지막으로 확인됨
2022년 6월 1일
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .