基于意见挖掘的社交网络用户健康信息获取分析——基于新冠病毒疫苗接种讨论的案例分析

摘要

本研究旨在通过构建意见挖掘模型，分析用户在选定案例中的立场，探究真相衰减现象在平台上的反映，探究社交网络平台上不同用户获取健康信息时的现象和规律。选取豆瓣平台上关于COVID-19疫苗接种纠纷的群发帖子，分析不同用户的位置，并根据不同的话题和信息行为，探索国内社交平台上用户获取健康信息的现象。结果显示，网民在社交网络平台上的消极态度与中立态度呈线性关系。此外，网民在表达自己的观点和态度时，往往使用主观语言，他们在社交平台上的观点不会轻易改变。本研究基于构建的用户意见挖掘模型，探讨社交平台上网民的健康信息获取行为。本研究有助于相关单位和平台根据网民的不同立场进行科学决策，提供指导。

1.介绍

随着互联网的普及和社交媒体平台的广泛应用，网民获取信息和交流的速度和范围发生了巨大的变化。目前，互联网已成为继大众媒体、卫生专业人员和家庭成员之后的第四大健康信息来源。人们习惯在会诊前后搜索健康信息，在社交平台上发表自己的意见进行社交。这一重大变化在带来便利的同时，也导致了社交媒体平台上真实和虚假信息的混杂。

事实和谣言的平行传播使得网民很难辨别哪些信息是真实的。2016年，“post-truth(后真相)”被牛津词典选为年度词汇，2017年，随着“假新闻”的使用大幅增加，美国兰德公司(RAND Corporation)开始探索事实和分析的作用正在减弱，并在2018年的报告中推出了“truth decay(真相衰减)”。无论是“后真相”、“假新闻”还是“真相衰退”，这些阶段都代表了达成共识的难度，并助长了在社交平台上相互质疑的欲望。然而，由于网民类型和信息行为的各种变化，互联网必将变得更加重要;因此，社交平台的目标应该是在不久的将来提供更可靠、更准确的在线健康信息。

有鉴于此，本研究基于特定的健康信息获取数据构建了一个“新冠病毒-19疫苗”意见分析词典，统计网民的中立、积极和消极意见，并根据用户信息行为和网民帖子讨论热点话题。为了探索网民在社交平台上获取健康信息时发生的真相衰减，本文为相关平台监控健康信息传播提供了更多的参考意见。文章共分为六个部分。第一部分介绍了本研究的背景，第二部分总结了社会平台中健康信息和观点挖掘的研究成果，介绍了真相衰减的概念及其性能趋势。第三部分介绍了本研究中的点挖掘模型，并详细阐述了数据的获取和处理。第四部分是基于网民的信息行为及其讨论话题词。第五部分讨论了本文的研究成果。最后，分析了本研究的局限性和不足，并提出了今后相关研究的方向。

2.文学背景

2.1.卫生信息平台

社交媒体平台已逐渐成为网民获取和分享健康相关信息的重要渠道。新媒体，特别是社交网络平台，在支持自我保健和健康相关问题的信息搜索和决策方面具有巨大潜力[1.］.研究表明，人们在平台上搜索健康相关信息的基础是信任;此外，在社交平台上分享和讨论健康相关话题显示出不同的用户行为[2.,3.].过去，人们倾向于向朋友和家人询问如何应对疾病的信息和建议；现在，网民可以在社交平台上的大量虚拟社区上交流健康信息[4.］.这种数字健康社区不仅帮助人们找到更及时、更个性化的健康相关信息[5.]还可以帮助患者讨论和分享他们的医疗体验，实现平台上个人健康信息的交流[6.］.Lin等[7.]基于用户在Facebook上的健康信息交流体验数据建立分析模型，发现用户的互动行为可以促进有效的健康信息交流;然而，这种互动行为受到健康状况的显著影响。换句话说，网民在健康的时候更倾向于分享自己的健康信息[8.］.

2．2．意见挖掘

网民在利用媒体获取健康信息的同时，也通过平台分享健康信息，提出相互影响的观点和行为。对特定网络事件的不同态度和观点[9]，甚至是对立的观点，吸引了国内外学术界许多学者利用观点进行探讨并进行相应的调查[10］.观点挖掘是指从文本信息中提取出人们的观点、情绪、评价和态度，分析表达在实体及其属性上的情绪[11]当前的观点挖掘方法主要分为两类。第一类包括基于机器学习技术的文本特征分析，LDA主题模型可用于在多个维度识别公众意见[12].浅层机器学习技术，如隐马尔可夫模型[13]和条件随机场[14]用于提取用户的评估。刘等人[15]利用决策树模型挖掘电子病历中糖尿病风险词汇，发现该方法可以提高意见提取的准确性。深度学习方法的不断发展,神经网络模型的不同层次的深度(CNN, RNN)也可以表达文本向量提取舆论的属性,可我的意见更有效而准确地在突发事件的网络舆论数据与复杂的关系和任意表达式(16］.另一种方法依赖于Hu等人构建的意见挖掘词典的构建[17]，基于高频词的词性提取，以名词作为意见评价的对象，形容词或动词作为意见评价词。Taboada等人[18]认为使用形容词可以更好地判断文本的位置倾向，不同形容词之间的加权可以提取基于词典的文本观点的属性。基于情感词典的方法更接近人类的认知，特别是与分析挖掘算法相结合，在情感分析中得到了广泛的应用。

2．3.真理衰变

在我们生活的社会环境中，事实和数据是生存的关键，是成功的必要条件。即使一个人必须依靠主观和直觉来做出一些复杂的决定，这些也可以通过一致的事实和可靠的数据自信地做出。新媒体技术的创新和人类教育水平的不同导致了认知水平上的偏差。假新闻无视真实来源，继续在互联网上传播，肆意扭曲公众对真相的认知。目前，很多学者把研究重点放在了“后真相时代”和“假新闻”传播的讨论上，但这些讨论并不准确。首先，事实和数据一直存在于社会中，但在传统媒体和社交媒体传播的演讲中，它们被选择性地忽略了，相对音量越来越大，以及由此产生的意见和个人经验对事实的影响[19]二,"假新闻"从根本上说,是人类处理信息方式的变化,经济条件的变化,以及当前政治,媒体环境的种种变化造成的。人们对数据和客观事实不信任的根本原因只能通过防止假新闻的发布来解决；因此，美国兰德公司于2018年1月发布了一份报告，推进了“真相衰退”阶段，即人们不再相信决策所需的数据和事实，而只是在收集事实和意见后依靠自己的感受的现象。因此，在这种趋势下，真相变得越来越不重要。这种对事实、数据和分析的信任和依赖的侵蚀涉及许多领域，如公共卫生、金融规划和政治。它不仅影响人们对不同事件的看法，也决定了网民做出的不同决定。

真理衰退主要表现为四种趋势。第一种趋势是，事实数量的增加并没有增加公众对事实和数据的认识，但公众对事实和数据的分析和解释有自己的看法。这种趋势主要集中在两种相关信息的分歧上：（1）相关权威医疗机构公布的事实（例如，关于癌症治疗益处的新发现），但网民更愿意相信吸烟和癌症，以回应这一不确定的解释（吸烟会导致肺癌，但网民更倾向于吸烟，因为所有可能与吸烟有关的癌症都与吸烟有关）；（2）逐渐模糊且经常混淆的事实和观点。模糊观点和事实之间界限的一些最有力的例子来自印刷品和媒体新闻来源。例如，一些老牌媒体在发布新闻时使用将观点和事实结合在一起的报道。当人们获得信息时，这种写作方法可能会产生误导第三种趋势是人们在做决定时更倾向于主观，更依赖个人经验，他们的观点比事实更有说服力。第三种趋势与第四种趋势密切相关，w公众对以前受尊重的信息来源（如主流媒体和政府）的信任现在，人们可以从新媒体平台获得的信息的数量和类型与21世纪末完全不同。社交媒体平台的崛起也在相对竞争中发挥了作用在整个信息系统中传播的增加。虽然高质量的新闻和信息比以往任何时候都更容易获得，但也有更多琐碎、片面和错误的观点。从心理学的角度来看，人们更倾向于相信自己的经验和信仰，而不是令人不安的事实，以及科学的进步社交媒体加剧了这些趋势。

3.数据和方法

虽然社交网络为网民提供了表达意见、交流经验的平台，促进了健康信息传播的发展，但谎言、谣言、闲言闲语等言论打着真相的幌子在互联网上自由传播，这将导致平台上的健康相关信息质量参差不齐。许多声明具有误导性，没有可信的价值信息[20.］.随着COVID-19席卷全球，社交媒体上的假新闻和虚假信息也在不断涌现，传播此类误导性帖子的流行程度远远超过传播有关疾病的准确信息和公共卫生报告[21].在平台上传播虚假信息，不仅会导致网民无法判断信息的真实性，还会产生许多不同的意见和立场，更严重的是会危及人们的生命。过去，学术界在社会平台社区的健康信息获取和相关信息行为方面取得了相应的成果；然而，很少有研究探讨了社交媒体平台上网民在这种错误信息环境中的现象。因此，本文选择豆瓣平台上的一组用户讨论“新冠病毒-19疫苗注射（以下简称新冠病毒-19疫苗注射）”的主题基于意见挖掘的方法收集不同用户的意见，分析用户在国内社交平台虚假新闻环境下获取健康信息时发生的真相衰减。

3.1.研究框架

兰德的报告的作者关注总统和国会议员选举问题,富人和穷人之间的差距,种族主义、气候变化、转基因食品、疫苗纠纷,枪支暴力,性别歧视、恐怖主义,等等,和他们讨论真理的表现美国社会衰败的趋势。因此，本研究立足于国内这一基本情况，以“疫苗纠纷”为例，探究国内社交平台上用户获取健康信息真相衰减的反映。研究框架如图所示1..

数字1.给出了本文推理的框架图。本研究采用意见挖掘的方法，对社交媒体平台上相关健康信息的获取进行研究。此外,基于案例分析的研究方法,它选择的相关主题“疫苗纠纷”在豆瓣平台组为分析对象,爬帖子和主题相关的信息行为的小组讨论,并分别提取所有的评论文本信息来创建一个新的文本库。

3.2.意见挖掘模型

为了更好地挖掘网民的不同意见，我们构建了一个用户意见挖掘模型。首先，我们对数据库中的文本进行分词，过滤出词汇中没有意义和代表性的单词。结果是一个注释词汇表集( ),在哪里表示每个评论的分词数的词。然后，我们构建了Negative = {N-word}和Positive = {P-word}两个词汇表。前者含有表达不同意或无法接种疫苗的词语。后者包含了与疫苗接种相一致的词语。然后，我们找到包含正面和负面意见的词语，并计算正面意见指数( )及负面意见指数( )分别根据职位字典。我们将文本库的词汇集与否定词汇集和肯定词汇集进行匹配，计算出每个评论的意见立场倾向。计算网民的评论倾向和立场

根据(1.)，可以计算出网民的职位得分，根据职位得分指数的研究，网民的职位可以用

公式(2.)可以用来判断网民评论的观点和立场。积极观点意味着网民支持或愿意接种疫苗，而消极观点意味着网民反对疫苗或对疫苗有负面感觉。中立观点意味着网民对疫苗注射没有明显的立场或保留最后，本研究还结合用户信息行为和话题内容，从不同的角度探讨了用户在社交平台上获取健康信息过程中的相关现象。

3．3.数据收集与处理

豆瓣是一个允许用户就书籍、电影、音乐和其他作品交换意见的社区平台，它已经发展了一个分享社区(豆瓣群)。豆瓣有一个自发形成的大群体，每天产生成千上万的话题，聚集了各种各样的人，他们可以很容易地找到自己喜欢的主题和志同道合的人的社区。网友在平台上的讨论不仅限于书籍、电影、音乐，还包括娱乐、科技、人文、摄影、医学等诸多领域。豆瓣有投票等多种功能，为网民提供了一个获取和交流信息的文化平台。由于豆瓣平台上的用户可以相对自由地讨论不同的话题，平台上充满了许多未经证实的谣言;因此，网民在搜索信息时遇到了虚假信息。那么，豆瓣是一个合适的研究对象，来探究网民在平台上获取健康相关信息时所发生的现象。为探究网民在国内社交平台上获取健康相关信息的真相衰减趋势，本研究于2021年4月22日在豆瓣群中以“COVID-19”为关键词进行话题搜索。由于疫苗注射主要在2020年12月进行，所以选择的研究时间跨度为2020年12月至2021年4月。我们选择和讨论了“关于新冠肺炎疫苗接种的意见和想法”的帖子，并使用了章鱼爬虫抓取帖子的主要内容和用户在主题下的互动信息。共获得19个主题内容，5665个用户交互。

我们根据不同的主题将用户ID、评论时间、评论喜好和评论内容存储在电子表格中。然后，我们根据文本的评论内容进行意见分析。这部分工作首先使用正则表达式清除注释中的符号（如@、标点符号和无效词）、空白信息和表情符号。然后，基于上述建立的意见挖掘模型，根据用户的态度对评论进行分类。我们收集了5665个态度分布，供网民评论。

4.研究成果

4．1.网民观点和态度的动态分析

整个话题讨论的发布时间是从2020年12月到2021年4月，共5个月，因此网民的意见很有可能随着时间发生变化。因此，我们根据发帖的时间顺序来判断网民的意见和态度。不同意见和立场的网民评论随时间的分布情况如图所示2..

数字2.展示了网民对事件变化的评论内容的演变。我们根据网民不同意见的变化，对“新冠肺炎疫苗接种”相关话题发展的舆情传播时段进行了划分。第一阶段为消极立场期(答:2020年12月7日至2021年1月15日)，网民对疫苗接种的负面意见增多，1月15日的负面意见达到高峰(429条)，占所有评论的44%。第二阶段为波浪期(B: 2021年1月21日至3月18日)，在此期间网民的观点会不时发生变化。3月3日和3月18日，网民的负面意见远远多于正面意见，而在其他五天，网民的正面意见占主导地位。第三阶段为积极期(C: 3月24日至4月11日)。3月24日，65%的网民支持新冠肺炎疫苗接种，正面意见达到405条;我们发现，截至3月31日，网民的正面看法多于负面看法。11日，虽然有85个否定意见，但否定意见和肯定意见的差距并不大(只有9个)。结果显示，中立意见最多的时候，否定意见也最多(1月15日)，相反也是如此。 Thus, there is a linear relationship between the neutral and negative opinions of netizens.

最初，网民的变化实例表明，随着时间的推移，网民对“是否接种疫苗”的态度由消极转变为积极，这一转变可能是由这一时期的媒体宣传和相关政策主导的。然而，从4月11日态度的变化和立场波动期间网民的反应来看，其他因素也影响着他们的态度和立场。为了探究影响网民在社交网络平台上获取健康信息时立场变化的其他因素，我们通过评论用户的信息行为和帖子内容进行进一步分析。

4.2.基于用户信息行为的立场分析

随着社交平台和互联网技术的不断发展，这些平台已经成为网民获取和掌握最新信息的重要途径。网民通过信息行为(如信息利用行为、信息交互行为、信息接受行为)在平台上共享信息、表达信息方面发挥着重要作用。这些行为为社交平台上的相应研究提供了基础。为了进一步探究网民立场变化的因素，本研究分析了豆瓣平台上用户评论中的互动行为，然后分析了19条推文中其他用户根据表达不同立场的点赞数之和。其分布如图所示3..

数字3.说明不同态度下用户的互动行为也在不断变化。结合图中网民评论位置的变化1.，发现用户的交互行为与这种变化是一致的;也就是说，当用户对某个话题的评价大多是负面的时候，他们在浏览某个话题时更倾向于赞扬负面评论。当用户的整个讨论倾向于正面时，网民更愿意赞扬正面立场。此外，网民的中性看法与消极看法之间存在一定的线性关系，二者的趋势基本一致。值得注意的是，总体上网民的中立观点并不多，但中立评论的点赞量却很大。在一些帖子(如3和10)中，中性观点的点赞数超过了积极和消极观点的点赞数。计算网友在整个事件中的互动指数，我们发现，累计中性浏览量为27430次，占总赞数的35.6%。负面评价占34.8%，正面评价累计达20573次，仅占29.6%。这表明，网民对“接种争议”的态度更加中立和消极;这可能是因为一些持中立和消极态度的网民更愿意在社交平台上以点赞的形式反映自己的信息行为。

用户名和类型、帖子交互次数以及其他信息也被视为用户信息行为的一部分。因为豆瓣平台上允许使用相同的用户昵称，所以我们对19条微博进行了排名，并给出了大量评论(≥8） 并且有很多人喜欢探索关于可能的新冠病毒-19疫苗接种主题的用户交互。提取了前15个用户ID，结果如表所示1.和2..

表1.和2.用用户信息行为（喜欢、评论）描述用户信息。研究发现，发表评论最多的用户（22）收到的评论只有16条，但那些发表一条评论的人也可能获得大量的赞。这一现象表明，网民发表的评论数量可能无法捕捉到其他人的意见。此外，在上述多用户评论中，有很多情况是网民参与m多个主题帖子（用红色粗体数字表示）研究发现，在上述36位用户中，有10位用户就多个话题进行了互动，5位用户始终持正面观点，3位用户始终持负面观点。只有两位用户的观点从负面变为中性，从中性变为负面，这表明在整个话题的讨论中，约28%的网民会l继续参与并表达自己的观点。研究发现，网民的观点不会轻易改变，只有少数人在中性和负面之间波动；这也可能是网民中性和负面观点之间存在线性关系的原因。研究还分析了不同的用户类型，显示一些最活跃的用户已就此主题创建帖子。除ID为186964097的用户外，其他主机收到的赞数极低（不超过100）因此，主持人在传播主题信息的过程中没有扮演意见领袖的角色，用户可能只会就他们提出的问题发表个人意见。

4.3.基于话题内容的职位分析

从以上结果可以看出，网民评论收到的点赞数量与用户的评论数量和是否是主播没有直接关系，网民的观点不会轻易改变。我们选择了14名赞数超过1000的用户作为本次活动的意见领袖，并提取了他们发表的评论;根据不同的位置提取点赞次数最多的评论中的关键词。结合用户在正面、负面和中性立场下提及上述关键词的次数，我们进一步从不同立场探究网民关注的新闻分布情况。计算结果如图所示4..

数字4.显示了来自3个不同位置的14位意见领袖讨论的话题分布，以及网民在不同话题上讨论的主要高频词。对所讨论话题持消极态度的人意见最多，共有六种。主要的态度是疫苗“还没有成熟，会有很多副作用”、“6个月的有效期太短”、“临床试验才进入第三阶段”、“正在使用其他疫苗，或者我害怕任何疫苗”。“目前中国控制疫情的方法更安全，所以我认为没有必要接种疫苗。”“我有相关病史，注射疫苗不方便。”消极态度使用者使用的高频词多为主观性词汇，如“感觉”、“感性”、“不愿意”、“感觉”等，说明他们大多习惯于根据自己的经验或想法来说话。研究发现，对于“有效期只有半年”的用户意见，许多持负面态度的网友会继续发表“六个月有效期太短”、“无需接种”等评论。在反映正面看法的评论中，“注射”、“已经”、“接种”等词出现频率较高，说明接种过疫苗的网友更倾向于根据自己的经验提出相应的建议。这种积极看法的主要态度是“疫苗无副作用或副作用小”、“国家目前实行免费接种”、“注射样本量已经很大”、“疫苗是灭活疫苗，非常安全”、“人人符合要求”。有疾病的人应该接种疫苗，以实现群体免疫。”可以看出，持积极意见的网民会反驳持消极意见的网民提出的副作用，但这种反驳对持消极意见的网民影响不大。 Although the COVID-19 vaccination’s supposed validity of six months has already been labeled as fake news, netizens still consume content that they believe in or that is beneficial to their opinions based on their first thoughts.

此外，尽管持中立态度的网民的观点相对独特(“接种疫苗是个人的选择，每个人都应该管好自己的事情”)，但持中立态度的网民更容易被其他网民认可。这可能是因为除了持中立态度的网民会喜欢自己的评论外，持消极态度的用户也会识别这种中立言论;因此，这也可能导致消极态度与中性态度之间的信息行为数量及其线性关系。在19个帖子中，有一个帖子(3月31日)包含了是否接种疫苗的投票，1769人参与了投票。结果如图所示5..

结合前一篇文章中的研究结果，我们发现3月31日帖子中正面评论的网民数量多于负面评论的网民数量。然而，图中的投票结果4.显示，53%的用户没有接种新冠病毒疫苗，6%的用户选择了旁观者的选项，这表明在现有的网络社交平台上，网络要求实名制可以限制负面言论。确实，一些网民不以文字的形式表达自己的观点，一些人对相关事件有一种“看到兴奋点”的心态。目前，网络平台上的信息水平参差不齐，观点与事实的界限模糊;因此，很多网民在浏览新闻时也可能会对事实和观点感到困惑。当某一观点有助于建立自己的观点时，网民会选择积极赞同。相反，虽然平台会呈现一些事实，但当这些事实与网民的想法或意见相反时，网民会认为这个事实是错误的，并忽略它。因此，一些网民在获取信息的过程中抱着一种旁观者的态度，只是把浏览网络平台上的帖子当成一种消遣。

5.讨论

为了探究用户在社交媒体平台上获取健康信息的相关现象，我们的研究以豆瓣平台上“是否要接种新冠疫苗”的话题为例，探究不同帖子主题关键词和用户信息行为对网民观点和立场变化的影响。根据以上结果，我们得出以下结论。

5．1.网民意见挖掘相关成果

5.1.1.意见挖掘分析方法的好处

之前的研究表明，通过对网民文本信息的分析，可以有效地处理网民在社交平台上的情绪极性和不同态度[22–24］.本研究根据网民对新冠肺炎疫苗争议的看法，从积极和消极两个角度构建挖掘词典，并根据公式计算网民的意见和态度得分。根据得分，网民的态度分为积极态度(支持接种)、消极态度(反对接种)和中立态度(没有明显的态度倾向)三个方面。研究发现，网民的总体态度已经从消极态度转变为积极态度。

我们发现，网民在社交网络平台上的消极态度与中立态度之间存在线性关系，不同的观点随时间的推移而随机变化。点赞数表明，当话题帖子的位置趋于正面时，网友倾向于赞扬正面评论;相反，当立场倾向于消极时，网民倾向于赞扬负面评论。但从总体人数来看，赞同中立立场的网民数量最高，赞同消极立场的网民总数也高于赞同积极立场的网民总数。从图中可以看出，处于消极和中立位置的用户更有可能与评论之外的其他信息行为进行交互(见图)2.和4.).网民的中立立场和喜好的变化随着消极立场的增加或减少（见图）1.和2.)；此外，网民的中立立场受到了更多的赞扬。这一结果表明，持消极态度的网民可能也喜欢中立用户的评论，他们更可能同意中立用户的评论（见图）3.）.

5.1.2中。社交平台对发现用户态度变化的好处

网民在社交平台上的观点不会轻易改变。分析发现，当网民关注一个热门话题时，他们不仅会跟踪和回复帖子，还会与其他相关话题的帖子互动。然而，在发布文章的整个过程中，网民不会轻易改变立场，他们可能只会在消极和中立的观点（表格）之间摇摆不定1.和2.）.由于社交平台上存在一定的“假新闻”环境，网民可能会对事实和观点感到困惑。因此，当一条与自己观点相矛盾的信息在社交平台上产生时，网民不会立即确认其真实性，往往会将事实误认为某一网民的个人观点，从而忽略。这一结果表明，在社交平台上，网民倾向于认同与自己观点相似的信息，而不会进一步分析其真实性，或者有一小部分人干脆忽略其他任何新闻，只相信自己的观点。这种行为也是社交网络平台上真理的衰落趋势。

通过探索网民在社交平台上的不同态度和立场变化，结合用户的信息行为和帖子的主题内容，我们可以探索用户在社交平台上获取健康信息时出现的现象。得出的相关结论可为后续在社交平台上获取健康信息的研究提供思路。可以帮助相关平台和部门更好地了解社交平台的信息下滑现象，有效应对平台用户提出的问题，为用户发布更真实有效的推文，缓解平台信息压力。网民的信息行为应该转向控制网民的负面评论，从根本上切断谣言的源头和传播渠道。可以为政府和相关企业应对社会平台上健康信息的发布和传播提供建议，有效提高在线用户获取此类信息的利用率。

5.2。用户信息行为

用户的信息行为[25,26(特别是喜欢、评论等)[27,28])能够传达他们对社交平台的有效参与。本研究首先根据时间序列分布对网民的态度进行了划分，发现当网民的情绪趋于负面时，负面评论中的喜欢数量也随之增加。持中立态度和消极态度的网民更愿意在社交平台上以喜欢的形式反映自己的信息行为，且两种态度的变化呈线性关系。舆论领袖在社交平台上也发挥着重要作用[29]然而，研究发现，该帖子的创建者并非意见领袖，网民评论收到的喜欢程度与用户发表的评论数量以及他们是否是主持人无关；此外，网民的观点和立场不会轻易改变。

本研究结合分析网民帖子中的高频话题词，探讨基于三种不同态度的不同话题分布。研究发现，通过分析之前相关研究中网民评论的内容，可以探索网民讨论的主要话题[30.,31］.负面观点的话题数量最多，中性观点的话题数量最少。网民在表达自己的观点和态度时更倾向于使用主观语言，他们在社交平台上的观点不会轻易改变。

5.3.中国社交媒体平台的真相衰退

在之前的研究中，有很多关于谣言的文章[32–34]、错误信息或虚假信息[35–37，以及事实与事实之间的分析[38］.美国兰德公司(RAND Corporation)发布了一份关于真理衰退的研究报告，随后发表的数十篇介绍和研究文章抛弃了后真理理论，推翻了它的各种假设。真理衰退定义并描述了这一现象的四个特征。在这一趋势下，与事实相关的意见或信息空间中可能压倒事实的意见越来越多;因此，社交媒体平台上的观点和事实完全失去了平衡。

本研究结合真实感衰退的相关趋势和现象，探索国内豆瓣平台，发现网民在表达自己的观点和态度时倾向于使用主观语言。当网民评论自己的立场时，他们会发布一些代表自己立场的主题关键词。意见分布网民的领导话题和高频词表明，持否定意见的用户在表达时会提出六个反驳话题。此外，网民有时会使用主观词汇，如“感觉”、“不想要”、“不愿意”和“感觉”（见图）3.）.在表达意见时，持积极看法的用户也会使用主观词汇，如“hit”、“already”等自身经验丰富的词汇。当持中立观点的用户表达自己的观点时，“随便”等词也表明他们不会依靠官方话语来强迫他人;因此，持消极看法的用户更容易接受中立看法。这一结果表明，人们在社交平台上表达观点时，在一定程度上排斥事实和数据，更倾向于根据自己的经历或轶事来表达自己的观点。因此，当不同意见之间存在差异时，收集意见的过程也会呈现出差异，从而导致真理的衰败。

6.结论

本文以国内豆瓣平台为例，分析与“疫苗纠纷”相关的健康信息获取数据，收集2020年12月至2021年4月期间所有热门话题帖子进行进一步分析。随着网民对疫苗话题的关注度越来越高，每篇帖子的评论数量相对平均。通过以上研究发现，随着事件的发展，网民的态度由消极态度向积极态度转变，态度不断波动，最终趋于积极。然而，互联网用户不会轻易改变他们原来的观点和想法。互联网和社交媒体的发展不仅促进而且促进了虚假信息的传播。就疫苗接种纠纷而言，网民在争议事件上提出自己的观点，在浏览他人观点时，他们根据自己的喜好和兴趣接受自己的观点，即使该消息是谣言。因此，社交媒体平台汇集了各种观点，事实和观点之间的界限将逐渐模糊。网民会有选择地屏蔽他们应该相信的真相，但会进一步传播虚假信息，导致真相在社交媒体平台上衰减。

本研究也存在一些局限性。虽然基于单平台豆瓣的案例分析具有代表性，但它只能作为一种探索来分析基于国内社交平台的健康信息获取现象。未来的研究应该检查其他平台，结合更多的平台数据进行更深入的分析。未来的研究工作将选择更多的平台数据，探索不同类型在线社交平台中的用户信息行为，更全面地检验和揭示真相衰减现象在相关平台上的表现，以期提出更多的参考建议，促进平台的开发建设。

数据可用性

豆瓣用户关于“注射疫苗”健康相关信息的行为数据可在https://www.douban.com/group/topic/.

利益冲突

作者声明本文的发表不存在利益冲突。

致谢

本研究由国家社会科学基金项目(基于用户跨社交媒体的信息行为偏好特征挖掘与推荐研究)资助。

工具书类

1. L. M. S. Miller和R. A. Bell，“在线健康信息搜寻”，衰老与健康杂志，第24卷，第2期3, pp. 525-541, 2012。视图:出版商的网站|谷歌学术搜索
2. J. Hou和M. Shim，“在健康相关活动的互联网使用中，医患沟通和对在线资源的信任的作用”，健康传播杂志，第15卷，第5期。3，页186-199,2010。视图:出版商的网站|谷歌学术搜索
3. E. K. Yun和H. A. Park，“韩国消费者在互联网上寻找疾病信息的行为，”临床护理杂志第19卷第2期19-20页，第2860-2868页，2010。视图:出版商的网站|谷歌学术搜索
4. 巴S.和王力，“数字健康社区:其激励机制的影响”，决策支持系统，第55卷，第55期4, pp. 941-947, 2013。视图:出版商的网站|谷歌学术搜索
5. 王涛，张慧，“基于社会交换理论视角的健康社区知识共享研究”，信息与管理，第53卷，第53期5, pp. 643-653, 2016。视图:出版商的网站|谷歌学术搜索
6. 雷军，文东，张旭东等，“区域卫生信息交流促进医疗改革:来自中国的模式研究”，保健工程杂志， vol. 2017, Article ID 1053403, 9 page, 2017。视图:出版商的网站|谷歌学术搜索
7. H.-C。林和C.-M。Chang说:“是什么推动了社交媒体上的健康信息交流?社会认知理论和感知互动的作用，"信息与管理，第55卷，第55期6，第771-780页，2018。视图:出版商的网站|谷歌学术搜索
8. A. Tm和B. Pe，“参与在线健康社区:渠道扩展和社会交流”，信息与管理，第58卷，第2期1, 2020。视图:谷歌学术搜索
9. 穆德(K. Mulder)，《核能的公众舆论动态》(The dynamics of public opinion on nuclear power)。解释荷兰的一个实验，”技术预测与社会变革，第79卷，第5期。8, pp. 1513-1524, 2012。视图:出版商的网站|谷歌学术搜索
10. K. Kim, Y. M. Baek, N. Kim，《网络新闻传播动态与舆论形成——以韩国SNS上法官个人意见表达争议为例》，社会科学杂志，第52卷，第2期，第205-216页，2015年。视图:出版商的网站|谷歌学术搜索
11. B.刘，情绪分析：挖掘意见、情绪和情绪，中国机械工业出版社，北京，2017年。
12. 袁磊，魏勇，胡旭东，“基于大数据方面的意见挖掘方法，”无线通信和移动计算， 2020年，第8869385号，19页，2020年。视图:出版商的网站|谷歌学术搜索
13. 魏建伟，“基于语义模型的网络观点挖掘学习框架”，出版第26届机器学习国际年会论文集，第465-472页，加拿大蒙特利尔，2009年6月。视图:出版商的网站|谷歌学术搜索
14. I. Cruz, A. F. Gelbukh，和G. Sidorov，《基于方面的意见挖掘的隐式方面指标提取》，国际计算语言学与应用杂志，第5卷，第5期。2, pp. 135-152, 2014。视图:谷歌学术搜索
15. “基于电子病历分析的糖尿病风险数据挖掘方法”，保健工程杂志， 2021年版，第6678526条，11页，2021年。视图:出版商的网站|谷歌学术搜索
16. S.Poria、E.Cambria和A.Gelbukh，“使用深度卷积神经网络进行观点挖掘的方面提取，”以知识为基础的系统，第108卷，第42-49页，2016年。视图:出版商的网站|谷歌学术搜索
17. M.Hu和B.Liu，“挖掘和总结客户评论”，年第十届ACM SIGKDD知识发现和数据挖掘国际会议记录，华盛顿州西雅图，美国，2004年。视图:谷歌学术搜索
18. M. Taboada, J. Brooke, M. Tofiloski, K. Voll, M. Stede，《基于词典的情感分析方法》，计算语言学，第37卷，第2期2, pp. 267 - 307,2011。视图:出版商的网站|谷歌学术搜索
19. C.兰德，“对抗真理衰退”，2021年，https://www.rand.org/research/projects/truth-decay.html.视图:谷歌学术搜索
20. W.-Y。Lin, X. Zhang, H. Song, K. Omori，“Web 2.0时代的健康信息寻求:对社交媒体的信任、减少不确定性和自我披露”，计算机与人类行为，第56卷，第3期，第289-294页，2016年。视图:出版商的网站|谷歌学术搜索
21. M. Sharma, K. Yadav, N. Yadav，和K. C. Ferdinand，“寨卡病毒流行——Facebook作为社交媒体健康信息平台的分析，”美国感染控制杂志第45卷第5期3, pp. 301-302, 2017。视图:出版商的网站|谷歌学术搜索
22. A.Montoyo、P.Martínez Barco和A.Balahur，“主观性和情绪分析：对该地区现状和设想发展的概述，”决策支持系统，第53卷，第53期4, pp. 675-679, 2012。视图:出版商的网站|谷歌学术搜索
23. A.Balahur、R.Mihalcea和A.Montoyo，“主观性和情绪分析的计算方法：当前和设想的方法和应用，”计算机语音与语言，第28卷，第1期，第1-6页，2014年。视图:出版商的网站|谷歌学术搜索
24. W. Medhat, a . Hassan, H. Korashy，《情感分析算法和应用:调查》，Ain Shams工程杂志，第5卷，第5期。4, pp. 1093-1113, 2014。视图:出版商的网站|谷歌学术搜索
25. J. Palmer，“科学家与信息:2。信息行为中的个人因素杂志的文档，第47卷，第47期。3，页254-275,1991。视图:出版商的网站|谷歌学术搜索
26. D.H.Sonnenwald和L.G.Pierce，“动态团队工作环境中的信息行为：交织的情境意识、密集的社交网络以及指挥和控制中有争议的协作，”信息处理与管理，第36卷，第3期，第461-4792000页。视图:出版商的网站|谷歌学术搜索
27. W.Xu和C.Zhang，“社会危机期间信息共享的情感、丰富性、权威性和相关性模型——以#MH370推特为例，”计算机与人类行为，第89卷，第89期。12，页199-206,2018。视图:出版商的网站|谷歌学术搜索
28. D. E. Oleary，“众包数据分析竞赛中信息搜索和信息共享的实证分析”，决策支持系统号，第120卷。5，第1-13页，2019。视图:出版商的网站|谷歌学术搜索
29. 王振宇，“了解意见领袖对热门手游传播过程的影响力:新浪微博上的旅行青蛙”，《中国科学:信息科学》，2014年第4期。计算机与人类行为，第109卷，第106354条，2020年。视图:出版商的网站|谷歌学术搜索
30. 吕建中。周润发和j j。黄，“探索中国大陆公众对虐待儿童的态度:中国社交媒体微博的情绪分析”，儿童及青少年服务检讨，第116卷，文章ID 105250，2020年。视图:出版商的网站|谷歌学术搜索
31. D. K. Srivastava和B. Roychoudhury，“单词很重要:一个基于文本内容的跨多个在线社交网络身份识别方案，”以知识为基础的系统，第195卷，第105624条，2020。视图:出版商的网站|谷歌学术搜索
32. A. Apr, A. Am，和A. Ks，《社交媒体谣言检测技术分析》，Procedia计算机科学，第167卷，第2286-22962020页。视图:谷歌学术搜索
33. D.Varshney和D.K.Vishwakarma，“关于在线社交网络中谣言预测和准确性评估的评论，”专家系统与应用第168期4、条款编号114208,2020。视图:谷歌学术搜索
34. S. A. Alkhodair, S. Ding, B. Fung, J Liu，“检测社交媒体新兴话题的突发新闻谣言”，信息处理与管理(第57卷)2、Article ID 102018, 2019。视图:谷歌学术搜索
35. “如果假新闻改变了你的行为，你会注意到吗?一个关于虚假信息无意识影响的实验，”计算机与人类行为，第116卷，第106633条，2021年。视图:出版商的网站|谷歌学术搜索
36. M. Ittefaq、S. A. Hussain和M. Fatima，“COVID-19和巴基斯坦社交媒体上医疗错误信息的社会政治”，亚洲媒体，第47卷，第1-7页，2020。视图:谷歌学术搜索
37. a . Zareie和R. Sakellariou的《最小化在线社交网络中错误信息的传播:一项调查》网络与计算机应用学报，第186卷，第103094条，2021年。视图:出版商的网站|谷歌学术搜索
38. O. Barrera, S. Guriev, E. Henry，和E. Zhuravskaya，《后真相政治时代的事实、替代事实和事实核查》，公共经济学杂志， 2017年，第182卷。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2021毕大田等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。