دانلود مقاله محبوبیت اطلاعات ضد و نقیض در مورد واکسن کووید 19 در رسانه های اجتماعی چینی
خلاصه
1. مقدمه
2. تحقیقات مربوطه
3. روش ها
4. نتایج
5. بحث
6. نتیجه گیری
بیانیه نویسنده اعتبار
منابع مالی
منابع
Abstract
1. Introduction
2. Relevant researches
3. Methods
4. Results
5. Discussion
6. Conclusions
Credit author statement
Funding
References
چکیده
برای از بین بردن تأثیر اطلاعات متناقض بر تردید واکسن در رسانه‌های اجتماعی، این تحقیق چارچوبی را برای مقایسه محبوبیت اطلاعاتی که نگرش‌های متناقض را نسبت به واکسن یا واکسن کووید-19 بیان می‌کنند، بررسی شباهت‌ها و تفاوت‌های میان ویژگی‌های اطلاعات متناقض و تعیین عوامل ایجاد کرد. بیشتر بر محبوبیت تأثیر گذاشت. برای جمع‌آوری داده‌ها با Sina Weibo API تماس گرفتیم. در ابتدا، برای استخراج ویژگی‌های چند بعدی از توییت‌های اصلی و تعیین کمیت محبوبیت آن‌ها، از تحلیل محتوا، محاسبات احساسات و خوشه‌بندی k-medoids استفاده شد. تجزیه و تحلیل آماری نشان داد که توییت‌های ضد واکسن محبوب‌تر از توییت‌های طرفدار واکسن بودند، اما معنی‌دار نبودند. سپس با تجسم مرکزیت و خوشه‌بندی ویژگی‌ها در شبکه‌های اطلاعاتی-ویژگی، متوجه شدیم که در ویژگی‌های متن، بعد نمایش اطلاعات، موضوع، احساسات، خوانایی، ویژگی‌های پوستر توییت‌های اصلی که نگرش‌های متفاوتی را بیان می‌کنند، تفاوت‌هایی وجود دارد. در نهایت، ما از مدل‌های رگرسیون و توضیحات افزودنی SHapley برای بررسی و توضیح رابطه بین محبوبیت توییت‌ها و محتوا و ویژگی‌های زمینه‌ای استفاده کردیم. پیشنهادهایی برای تعدیل استراتژی سازمانی اطلاعات متناقض برای کنترل محبوبیت آن از ابعاد مختلف مانند نفوذ پوستر، فعالیت و هویت، موضوع توییت‌ها، احساسات، خوانایی برای کاهش تردید واکسن ارائه شد.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
To eliminate the impact of contradictory information on vaccine hesitancy on social media, this research developed a framework to compare the popularity of information expressing contradictory attitudes towards COVID-19 vaccine or vaccination, mine the similarities and differences among contradictory information's characteristics, and determine which factors influenced the popularity mostly. We called Sina Weibo API to collect data. Firstly, to extract multi-dimensional features from original tweets and quantify their popularity, content analysis, sentiment computing and k-medoids clustering were used. Statistical analysis showed that anti-vaccine tweets were more popular than pro-vaccine tweets, but not significant. Then, by visualizing the features' centrality and clustering in information-feature networks, we found that there were differences in text characteristics, information display dimension, topic, sentiment, readability, posters' characteristics of the original tweets expressing different attitudes. Finally, we employed regression models and SHapley Additive exPlanations to explore and explain the relationship between tweets' popularity and content and contextual features. Suggestions for adjusting the organizational strategy of contradictory information to control its popularity from different dimensions, such as poster's influence, activity and identity, tweets' topic, sentiment, readability were proposed, to reduce vaccine hesitancy.
Introduction
In China, as of April 8, 2020, the number of confirmed cases of COVID-19 reached approximately 80,000. Although physical preventive measures such as wearing masks and social distancing effectively cut off the spread of the virus, long-term control of the COVID-19 pandemic hinged on the development and uptake of vaccines (Chou & Budenz, 2020). In March 2020, an anonymous cross-sectional survey, conducted online among Chinese adults, showed that 91.3% of participants would accept COVID-19 vaccination after the vaccine became available, among whom 52.2% wanted to get vaccinated as soon as possible, while others would delay vaccination until the vaccine’ safety was confirmed (J. Wang, Jing, et al., 2020). As a preventive innovation, vaccines’ diffusion and adoption are inevitably influenced by the competing dissemination of contradictory information expressing different attitudes towards vaccine and vaccination on social media (Cohen & Head, 2013; Pan & Di Zhang, 2020). Social media such as: Twitter (Jamison et al., 2020), Facebook (Xu & Guo, 2018), Instagram (Massey et al., 2020), YouTube (Ekram et al., 2019) etc., is not only an important resource for obtaining health information, but also serves as a breeding ground of health misinformation (Y. Wang, McKee, et al., 2019).
Conclusions
This research firstly evaluated and compared the popularity of information expressing different attitudes towards COVID-19 vaccine or vaccination to reflect the vaccine hesitancy on social media. Then, it extracted the content and contextual features, visualized and compared their combining patterns frequently used in different-attitude information. Finally, it clarified the direction and degree of impact of features on information popularity. These findings could provide several suggestions for adjusting organizational strategies of contradictory information to reduce vaccine hesitancy.