Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Social media-baserad övervakning av vaccinförtroende och tveksamhet

28 juni 2022 uppdaterad av: Zhiyuan Hou, Fudan University

En social media-baserad maskininlärningsstudie för att övervaka vaccinförtroende och tveksamhet och tidigt varna nya vaccinrelaterade risker i realtid

Historik och vetenskapliga bevis visar att det är avgörande att upprätthålla allmänhetens förtroende och förtroende för vaccination. Varje förtroendekris har potential att orsaka betydande störningar och en skadlig inverkan på vaccinationen. Vaccin tveksamhet är en komplex och kontextspecifik fråga som varierar över tid, plats och vaccin. Det har citerats av Världshälsoorganisationen (WHO) som ett av de tio största hoten mot global hälsa 2019. Pandemin med coronaviruset (COVID-19) kan förändra allmänhetens förtroende för vacciner. Därför är det nödvändigt att upprätta ett övervakningssystem för att övervaka vaccinets förtroende och tveksamhet i realtid.

Hittills har en växande mängd litteratur använt sociala medieplattformar som Twitter och weico för folkhälsoforskning. Stora mängder realtidsdata som publiceras på sociala medieplattformar kan användas för att snabbt identifiera allmänhetens attityder till vacciner, som ett sätt att stödja hälsokommunikation och hälsofrämjande meddelanden. Textdata på sociala medier är dock svår att analysera. De senaste framstegen inom maskininlärning gör det möjligt att automatiskt analysera textdata på sociala medier i realtid.

I denna studie kommer utredarna att etablera en övervaknings- och analysplattform för sociala medier om vacciner, utveckla en serie maskininlärningsmodeller för att övervaka vaccinförtroende och tidigt upptäcka framväxande vaccinrelaterade risker och bedöma offentlig kommunikation kring vacciner. Utredarna kommer att bedöma den tidsmässiga och rumsliga fördelningen av vaccinförtroende och tveksamhet globalt med hjälp av Twitter-data och i Kina med hjälp av weico-data, för alla vacciner och humant papillomvirus (HPV)-vaccin. Vår studie kommer att vägleda utformningen av effektiva hälsokommunikationsstrategier för att förbättra vaccinets förtroende.

Studieöversikt

Status

Indragen

Betingelser

Detaljerad beskrivning

  1. Samla in och uppdatera sociala mediers data om vacciner Utredarna kommer automatiskt att samla in alla inlägg på sociala medier om vacciner i realtid. Kohortdatabas för sociala medier kommer att upprättas och uppdateras för alla vacciner respektive humant papillomvirus (HPV).
  2. Övervaka vaccinförtroende och tveksamhet i realtid: djupa (övervakade) maskininlärningsmodeller Deep learning-modellen, en övervakad maskininlärningsteknik, kommer att användas för att analysera textdata på sociala medier i realtid enligt det fördefinierade ramverket för vaccinförtroende och tveksamhet. Utredarna kommer först manuellt att kommentera en delmängd av inlägg på sociala medier (20 000 inlägg) angående vacciner. De första manuellt kommenterade inläggen används sedan för att träna och utvärdera modeller för djupinlärning. Modeller för djupinlärning med bästa prestanda väljs ut och tillämpas för att klassificera alla vaccinrelaterade tjänster enligt ramverket för vaccinets förtroende och tveksamhet.
  3. Övervaka framväxande oro och sentimentsvängningar i realtid för att tidigt varna vaccinrelaterade risker eller kriser: ämne (oövervakade) maskininlärningsmodeller och språklig analys Det finns vissa ämnen utanför det fördefinierade ramverket för vaccinförtroende och tveksamhet som används i modeller för djupinlärning, och nya ämnen dyker upp när som helst. Vaccinkris skulle påverka allmänhetens känslor. Att övervaka nya ämnen och förändringar i känslor kommer att ge tidig varning om vaccinrelaterade risker eller kriser. Använd Topic Modeling, en oövervakad maskininlärningsteknik som automatiskt kan klassificera text till representativa ämnen i sociala medier, för att övervaka nya ämnen och problem angående vacciner.
  4. Bedöma allmänhetens engagemang på sociala medier för att informera om effektiva hälsokommunikationsstrategier: analys av engagemang i sociala medier Förutom inläggsdata på sociala medier finns engagemangsdata för inlägg också tillgängliga för att analyseras, inklusive gilla-markeringar, kommentarer och delningar av inlägg. Utredarna kommer att genomföra analyser av engagemang i sociala medier för att undersöka offentlig kommunikation kring vacciner online. Detta kommer att vägleda utformningen av effektiva hälsokommunikationsstrategier.
  5. Etablera övervaknings- och analysplattform för sociala medier för vaccinförtroende och kris Genom stegen ovan kommer utredarna att etablera en plattform för övervakning och analys av sociala medier för vaccinförtroende och kris. Tidsserietrender, geografisk variation och associerade faktorer för indikatorerna som tagits fram ovan kommer att presenteras för att övervaka vaccinförtroende i realtid, tidigt varna uppkommande risker eller kriser och informera om effektiva hälsokommunikationsstrategier.
  6. Tidigare forskningserfarenhet Utredarna har genomfört en serie relevanta studier för att analysera sociala mediers data med hjälp av maskininlärningstekniker under covid-19-epidemin, som täcker covid-19-vaccinets förtroende och allmänhetens svar på covid-19. Dessa erfarenheter gör den aktuella studien genomförbar.

Studietyp

Observationell

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • VUXEN
  • OLDER_ADULT
  • BARN

Tar emot friska volontärer

Ja

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Vaccinrelaterade inlägg på sociala medier är föremål för vår forskning för att bedöma allmänhetens vaccinförtroende och tveksamhet. Varje postpost omfattar kontonamn, profiler, innehåll, inläggstid, antal följare och engagemangsdata.

Beskrivning

Inklusionskriterier:

  • Tweets och weico-inlägg relaterade till vacciner
  • Publicerad 2015-2022
  • Engelska tweets
  • Tweets/inlägg från personliga konton.

Exklusions kriterier:

  • Tweets/inlägg från nyheter, organisationskonton eller autentiserade användare
  • Icke engelska tweets.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Global databas över vaccinrelaterade inlägg
Tweets på engelska från Twitter och inlägg från weico från 2015 till 2022 för alla vacciner. Utredarna inkluderade bara inlägg från enskilda konton och uteslöt inlägg från nyheter, organisationskonton eller verifierade användare.
Global databas över HPV-vaccinrelaterade inlägg
Tweets på engelska från Twitter och inlägg från weico från 2015 till 2022 för HPV-vaccin. Utredarna inkluderade bara inlägg från enskilda konton och uteslöt inlägg från nyheter, organisationskonton eller verifierade användare.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Förändringar i prevalensen av vaccinförtroende och tveksamhet
Tidsram: Förändring från baslinjeprevalensen av vaccinsäkerhet och vaccinationstveksamhet vid 1 år.
Vaccinförtroende hänvisar till allmänhetens tweets som uttrycker förtroende för vaccinets säkerhet och effektivitet, erkännande av vaccinationsnödvändigheten och vaccinacceptans. Vaccintveksamhet innebär att tweetarna uttrycker vaccinrelaterad desinformation och rykten, oroar sig för vaccinets säkerhet och effektivitet och avvisande av vaccin. Utredarna kommer att beräkna förhållandet mellan dessa två kategorier i alla vaccinrelaterade tweets som prevalensen av vaccinförtroende och vaccinationstveksamhet.
Förändring från baslinjeprevalensen av vaccinsäkerhet och vaccinationstveksamhet vid 1 år.

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Förändringar i förekomsten av maskingenererade ämnen
Tidsram: Förändring från baslinjeprevalensen av maskingenererade ämnen efter 1 år.
Maskingenererade ämnen hänvisar till vaccinrelaterade ämnen som genereras automatiskt genom maskininlärningsmetoder, såsom politisk konspiration, vaccinundantag, vaccinbiverkningar och andra. Utredarna kommer att beräkna förhållandet mellan tweets som är involverade i varje maskingenererat ämne i alla vaccinrelaterade tweets som prevalensen av maskingenererade ämnen.
Förändring från baslinjeprevalensen av maskingenererade ämnen efter 1 år.
Förändringar i allmänhetens engagemang på sociala medier
Tidsram: Ändring från baslinjen för offentligt engagemang på sociala medier vid 1 år.
Offentligt engagemang på sociala medier är ett omfattande utvärderingsindex för att mäta sändning, svar och liknande. Utredarna kommer att registrera baslinjen och motsvarande värden efter ett år.
Ändring från baslinjen för offentligt engagemang på sociala medier vid 1 år.

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Fudan University

Samarbetspartners

Merck Sharp & Dohme LLC

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (FAKTISK)

1 mars 2022

Primärt slutförande (FAKTISK)

1 juni 2022

Avslutad studie (FAKTISK)

24 juni 2022

Studieregistreringsdatum

Först inskickad

21 mars 2022

Först inskickad som uppfyllde QC-kriterierna

28 juni 2022

Första postat (FAKTISK)

5 juli 2022

Uppdateringar av studier

Senaste uppdatering publicerad (FAKTISK)

5 juli 2022

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

28 juni 2022

Senast verifierad

1 juni 2022

Mer information

Termer relaterade till denna studie

Nyckelord

Andra studie-ID-nummer

  • ECT2112016948

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

IPD-planbeskrivning

Enligt villkoren i avtalet kan individuella uppgifter inte delas.

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Kliniska prövningar på Datainsamling

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Luxembourg

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera