Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Op sociale media gebaseerde monitoring van vaccinvertrouwen en aarzeling

28 juni 2022 bijgewerkt door: Zhiyuan Hou, Fudan University

Een op sociale media gebaseerde machine learning-studie om het vertrouwen en de aarzeling van vaccins te monitoren en opkomende vaccingerelateerde risico's in realtime te waarschuwen

De geschiedenis en wetenschappelijk bewijs tonen aan dat het van cruciaal belang is om het vertrouwen van het publiek in vaccinatie te behouden. Elke vertrouwenscrisis kan aanzienlijke verstoringen veroorzaken en een nadelige invloed hebben op vaccinatie. Aarzeling met vaccins is een complex en contextspecifiek probleem dat varieert in tijd, plaats en vaccin. Het is door de Wereldgezondheidsorganisatie (WHO) genoemd als een van de tien grootste bedreigingen voor de wereldwijde gezondheid in 2019. De pandemie van de coronavirusziekte (COVID-19) kan het vertrouwen van het publiek in vaccins veranderen. Daarom is het noodzakelijk om een ​​bewakingssysteem op te zetten om het vertrouwen en de aarzeling van vaccins in real time te monitoren.

Tot op heden heeft een groeiende hoeveelheid literatuur sociale mediaplatforms zoals Twitter en weico gebruikt voor onderzoek naar de volksgezondheid. Grote hoeveelheden real-time gegevens die op sociale-mediaplatforms worden gepost, kunnen worden gebruikt om snel de houding van het publiek ten opzichte van vaccins te identificeren, als een manier om gezondheidscommunicatie en gezondheidsbevordering en berichtgeving te ondersteunen. Tekstuele gegevens op sociale media zijn echter moeilijk te analyseren. Recente vooruitgang op het gebied van machine learning maakt het mogelijk om tekstuele gegevens op sociale media automatisch in realtime te analyseren.

In deze studie zullen de onderzoekers een surveillance- en analyseplatform voor vaccins op sociale media opzetten, een reeks machine learning-modellen ontwikkelen om het vaccinvertrouwen te monitoren en opkomende vaccingerelateerde risico's vroegtijdig te detecteren, en de publieke communicatie rond vaccins beoordelen. De onderzoekers zullen de temporele en ruimtelijke verdeling van vaccinvertrouwen en aarzeling wereldwijd beoordelen met behulp van Twitter-gegevens en in China met behulp van weico-gegevens, voor respectievelijk alle vaccins en het Humaan Papilloma Virus (HPV)-vaccin. Onze studie zal het ontwerp van effectieve gezondheidscommunicatiestrategieën begeleiden om het vaccinvertrouwen te verbeteren.

Studie Overzicht

Toestand

Ingetrokken

Conditie

Gedetailleerde beschrijving

  1. Verzamel en update social media data over vaccins De onderzoekers verzamelen automatisch alle social media posts over vaccins in real time. Cohort-database voor sociale media zal worden opgezet en bijgewerkt voor respectievelijk alle vaccins en het humaan papillomavirus (HPV) -vaccin.
  2. Bewaak het vertrouwen en de aarzeling van vaccins in realtime: diepe (gesuperviseerde) machine learning-modellen Het deep learning-model, een machine learning-techniek onder toezicht, zal worden gebruikt om tekstgegevens op sociale media in realtime te analyseren volgens het vooraf gedefinieerde raamwerk voor vertrouwen en aarzeling van vaccins. De onderzoekers zullen eerst handmatig een subset van posts op sociale media (20.000 posts) met betrekking tot vaccins annoteren. De eerste handmatig geannoteerde posts worden vervolgens gebruikt om deep learning-modellen te trainen en te evalueren. Deep learning-modellen met de beste prestaties worden geselecteerd en toegepast om alle vaccingerelateerde berichten te classificeren volgens het kader voor vaccinvertrouwen en aarzeling.
  3. Bewaak opkomende zorgen en stemmingswisselingen in realtime om vaccingerelateerde risico's of crises vroegtijdig te waarschuwen: onderwerp (zonder toezicht) machine learning-modellen en taalkundige analyse onderwerpen komen elk moment naar voren. De vaccincrisis zou de publieke gevoelens beïnvloeden. Door opkomende onderwerpen en stemmingswisselingen te monitoren, wordt vroegtijdig gewaarschuwd voor vaccingerelateerde risico's of crises. Gebruik Topic Modeling, een machine learning-techniek zonder toezicht die tekst automatisch kan classificeren naar representatieve onderwerpen in sociale media, om opkomende onderwerpen en zorgen over vaccins te monitoren.
  4. Beoordeel publieke betrokkenheid op sociale media om effectieve gezondheidscommunicatiestrategieën te ontwikkelen: analyse van sociale media-betrokkenheid Naast gegevens over berichten op sociale media, kunnen ook gegevens over betrokkenheid van berichten worden geanalyseerd, inclusief vind-ik-leuks, opmerkingen en het delen van berichten. De onderzoekers zullen een analyse van de betrokkenheid van sociale media uitvoeren om de openbare communicatie rond vaccins online te onderzoeken. Dit zal leidend zijn bij het ontwerpen van effectieve strategieën voor gezondheidscommunicatie.
  5. Opzetten van een social media surveillance- en analyseplatform voor vaccinvertrouwen en -crisis Via de bovenstaande stappen zullen de onderzoekers een social media surveillance- en analyseplatform opzetten voor vaccinvertrouwen en -crisis. Tijdreekstrends, geografische variatie en bijbehorende factoren van de hierboven geproduceerde indicatoren zullen worden gepresenteerd om het vaccinvertrouwen in realtime te monitoren, vroegtijdig opkomende risico's of crises te waarschuwen en effectieve gezondheidscommunicatiestrategieën te informeren.
  6. Onderzoekservaring uit het verleden De onderzoekers hebben een reeks relevante onderzoeken uitgevoerd om gegevens van sociale media te analyseren met behulp van machine learning-technieken tijdens de COVID-19-epidemie, waarbij het vertrouwen in het COVID-19-vaccin en de publieke reactie op COVID-19 werden behandeld. Deze ervaringen maken het huidige onderzoek haalbaar.

Studietype

Observationeel

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • VOLWASSEN
  • OUDER_ADULT
  • KIND

Accepteert gezonde vrijwilligers

Ja

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Vaccingerelateerde berichten op sociale media zijn het onderwerp van ons onderzoek om het vertrouwen en de aarzeling van het publiek in vaccins te beoordelen. Elk postrecord omvat accountnaam, profielen, inhoud, posttijd, het aantal volgers en betrokkenheidsgegevens.

Beschrijving

Inclusiecriteria:

  • Tweets en weico-berichten met betrekking tot vaccins
  • Uitgegeven in 2015-2022
  • Engelse tweets
  • Tweets/posts van persoonlijke accounts.

Uitsluitingscriteria:

  • Tweets/posts van nieuws, organisatieaccounts of geverifieerde gebruikers
  • Niet-Engelse tweets.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Cohorten en interventies

Groep / Cohort
Wereldwijde database met vaccingerelateerde berichten
Tweets in het Engels van Twitter en posts van weico van 2015 tot 2022 voor alle vaccins. De onderzoekers hebben alleen berichten van individuele accounts opgenomen en die van nieuws-, organisatie-accounts of geverifieerde gebruikers uitgesloten.
Wereldwijde database met HPV-vaccingerelateerde berichten
Tweets in het Engels van Twitter en berichten van weico van 2015 tot 2022 voor HPV-vaccin. De onderzoekers hebben alleen berichten van individuele accounts opgenomen en die van nieuws-, organisatie-accounts of geverifieerde gebruikers uitgesloten.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Veranderingen in de prevalentie van vaccinvertrouwen en aarzeling
Tijdsspanne: Verandering ten opzichte van baselineprevalentie van vaccinvertrouwen en vaccinaarzeling na 1 jaar.
Vaccinvertrouwen verwijst naar de tweets van het publiek die vertrouwen uiten in de veiligheid en effectiviteit van vaccins, erkenning van de noodzaak van vaccinatie en acceptatie van vaccins. Vaccin aarzeling betekent dat de tweets vaccingerelateerde desinformatie en geruchten uiten, zorgen over de veiligheid en effectiviteit van het vaccin en afwijzing van vaccins. De onderzoekers zullen de verhouding van deze twee categorieën in alle vaccingerelateerde tweets berekenen als de prevalentie van vaccinvertrouwen en vaccinaarzeling.
Verandering ten opzichte van baselineprevalentie van vaccinvertrouwen en vaccinaarzeling na 1 jaar.

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Veranderingen in de prevalentie van door computers gegenereerde onderwerpen
Tijdsspanne: Verandering ten opzichte van baselineprevalentie van door computers gegenereerde onderwerpen na 1 jaar.
Door machines gegenereerde onderwerpen verwijzen naar vaccingerelateerde onderwerpen die automatisch worden gegenereerd door middel van machine learning-methoden, zoals politieke samenzwering, vrijstelling van vaccins, bijwerkingen van vaccins en andere. De onderzoekers zullen de verhouding van tweets die betrokken zijn bij elk door een machine gegenereerd onderwerp in alle vaccingerelateerde tweets berekenen als de prevalentie van door een machine gegenereerde onderwerpen.
Verandering ten opzichte van baselineprevalentie van door computers gegenereerde onderwerpen na 1 jaar.
Veranderingen in de publieke betrokkenheid op sociale media
Tijdsspanne: Verandering ten opzichte van baseline publieke betrokkenheid op sociale media na 1 jaar.
Publieke betrokkenheid op sociale media is een uitgebreide evaluatie-index om het verzenden, beantwoorden en liken te meten. Na een jaar leggen de onderzoekers de baseline en bijbehorende waarden vast.
Verandering ten opzichte van baseline publieke betrokkenheid op sociale media na 1 jaar.

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Fudan University

Medewerkers

Merck Sharp & Dohme LLC

Publicaties en nuttige links

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

Algemene publicaties

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (WERKELIJK)

1 maart 2022

Primaire voltooiing (WERKELIJK)

1 juni 2022

Studie voltooiing (WERKELIJK)

24 juni 2022

Studieregistratiedata

Eerst ingediend

21 maart 2022

Eerst ingediend dat voldeed aan de QC-criteria

28 juni 2022

Eerst geplaatst (WERKELIJK)

5 juli 2022

Updates van studierecords

Laatste update geplaatst (WERKELIJK)

5 juli 2022

Laatste update ingediend die voldeed aan QC-criteria

28 juni 2022

Laatst geverifieerd

1 juni 2022

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Andere studie-ID-nummers

  • ECT2112016948

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

Beschrijving IPD-plan

Volgens de voorwaarden van de overeenkomst kunnen individuele gegevens niet worden gedeeld.

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Abonneren