[论文解读] Social Media Study of Public Opinions on Potential COVID-19 Vaccines: Informing Dissent, Disparities, and Dissemination

Hanjia Lyu, Junda Wang+5 more|arXiv (Cornell University)|Dec 3, 2020

Vaccine Coverage and Hesitancy参考文献 40被引用 5

一句话总结

本研究利用基于人工指导的机器学习框架，对超过六百万条Twitter推文进行分析，将公众对新冠疫苗的立场分类为支持疫苗、犹豫疫苗或反疫苗三类。研究发现，社会经济地位较低的个体以及个人新冠疫情期间经历更差的人群更可能持有极端化观点，而安全、有效性及政治因素是导致疫苗犹豫的主要驱动因素。

ABSTRACT

The current development of vaccines for SARS-CoV-2 is unprecedented. Little is known, however, about the nuanced public opinions on the vaccines on social media. We adopt a human-guided machine learning framework using more than six million tweets from almost two million unique Twitter users to capture public opinions on the potential vaccines for SARS-CoV-2, classifying them into three groups: pro-vaccine, vaccine-hesitant, and anti-vaccine. We aggregate opinions at the state and country levels, and find that the major changes in the percentages of different opinion groups roughly correspond to the major pandemic-related events. Interestingly, the percentage of the pro-vaccine group is lower in the Southeast part of the United States. Using multinomial logistic regression, we compare demographics, social capital, income, religious status, political affiliations, geo-locations, sentiment of personal pandemic experience and non-pandemic experience, and county-level pandemic severity perception of these three groups to investigate the scope and causes of public opinions on vaccines. We find that socioeconomically disadvantaged groups are more likely to hold polarized opinions on potential COVID-19 vaccines. People who have the worst personal pandemic experience are more likely to hold the anti-vaccine opinion. Next, by conducting counterfactual analyses, we find that the U.S. public is most concerned about the safety, effectiveness, and political issues regarding potential vaccines for COVID-19, and improving personal pandemic experience increases the vaccine acceptance level. We believe this is the first large-scale social media-based study to analyze public opinions on potential COVID-19 vaccines that can inform more effective vaccine distribution policies and strategies.

研究动机与目标

• 利用实时社交媒体数据，理解潜在新冠疫苗公众意见的范围及其驱动因素。
• 识别与支持疫苗、犹豫疫苗或反疫苗立场相关的年龄、人口统计、社会经济及行为因素。
• 考察个人新冠疫情期间经历及县一级疫情严重程度对疫苗态度的影响。
• 通过识别美国人群中关键关切点与疫苗接受度差异，为公共卫生策略提供依据。

提出的方法

• 2020年9月至11月期间，通过与新冠疫苗相关的关键词，收集了近两百万名独立用户发布的超过六百万条推文。
• 采用人工指导的机器学习框架，结合先进的转换器模型（XLNet）与专家标注数据，将推文分类为三类观点：支持疫苗、犹豫疫苗、反疫苗。
• 提取个体层面的特征，包括人口统计信息、收入水平、社会资本（关注者数、点赞数、认证状态）、政治倾向及地理位置。
• 通过自报健康状况与家庭影响的情感分析衡量个人疫情经历，并利用约翰霍普金斯大学CSSE数据衡量县一级疫情严重程度。
• 采用多项逻辑回归模型分析观点群体归属，并通过反事实分析评估关键因素的因果影响。
• 使用F1得分0.63评估模型性能，通过人机协同优化提升标注准确性并减少偏差。

实验结果

研究问题

• RQ1 社交媒体上支持疫苗、犹豫疫苗或反疫苗观点的关键人口统计与社会经济因素是什么？
• RQ2 个人对新冠的亲身经历在多大程度上影响其疫苗态度？
• RQ3 县一级疫情严重程度的认知在多大程度上影响疫苗接受度？
• RQ4 在塑造公众对新冠疫苗看法方面，安全、有效性或政治因素中哪一个最具影响力？
• RQ5 社交媒体行为（如关注者数、点赞数、认证状态）与疫苗观点极化之间存在何种关联？

主要发现

• 社会经济地位较低的个体显著更可能持有极端化观点：支持疫苗（比值比 = 1.49，95% 置信区间 [1.26, 1.75]），或反疫苗（比值比 = 1.69，95% 置信区间 [1.49, 1.91]）。
• 个人疫情经历越差，越可能持反疫苗立场（回归系数 B = -0.18，标准误 SE = 0.04，p < .001，比值比 OR = 0.84，95% 置信区间 [0.77, 0.90]）。
• 在Twitter上关注唐纳德·特朗普的人更可能持反疫苗立场，而关注乔·拜登的人则更可能持疫苗犹豫态度。
• 农村及郊区居民更可能持反疫苗观点，且社会资本较高者（如关注者更多）观点极化程度更高。
• 美国公众最关注疫苗安全、有效性和政治影响，且个人疫情经历改善可提升疫苗接受度。
• 反事实分析证实，减少政治顾虑并改善个人疫情经历可显著提高疫苗接受水平。