Pandemics in the age of Twitter: content analysis of Tweets during the 2009 H1N1 outbreak.

書名（以學術體例詳填資料，網路來源提供超連結及檢索日）： Chew, C., & Eysenbach, G. (2010). Pandemics in the age of Twitter: content analysis of Tweets during the 2009 H1N1 outbreak. PloS one, 5(11), e14118.

導讀者：李瑞娟

原作摘要：

此篇為健康傳播的案例研究，以 2009 年爆發的 H1N1 疾病，來看 Twitter 上全世界的用戶對於此事件的知識轉譯、公共討論趨勢，目的主要有三：第一，監測關鍵字 H1N1 到 swine flu 的使用，去建立創造一個監測系統。第二，利用自動編碼和人工編碼的內容分析，包含較質化的推文內容分析、情緒和來源，做公眾情緒與事件發展的對應比照。以及第三，讓 Twitter 成為一個能反映即時內容、情緒和公眾趨勢追蹤的有力工具。在調查災難事件時，許多熱門的方法往往去測量公眾的接受度，但研究者認為此種研究取向耗時耗錢，因此建議使用並評估 Twitter 互補的資訊監測方法。研究者以兩百多萬則的推文，來看 H1N1 到 swine flu 的知識轉譯過程，是預設了一個專業與非專業框架在關鍵字上，研究期間公眾和媒體的推文，使用 H1N1 這個術語的推文比例從８．８％攀升到４０．５％，研究者認為媒體佔有重要角色。而公眾的情緒變化，通常也和大型事件的發展緊緊相扣，官方的教育或宣傳也因而能從此下手。

重點整理：

前言

在公共衛生的領域，傳統上都是紙媒與電視媒體，從公共健康的官方機構傳遞訊息給大眾，而且在危機的事件上強化與淡化它，扮演一個主導者角色，但從重大的公共衛生災難 H1N1 事件上，網路已經成為媒體在流行病報導上最頻繁使用的資訊來源。既然大眾已逐漸成為知識傳遞、過濾與擴大的推手，對公共衛生專家來說，在災難發生期間，建立一個監控線上公眾回應與接收的回饋環節，從中去檢視專家擬定的知識傳遞策略，並作為未來傳播和教育的宣傳口號。新的「資訊監測」方法像是 mining 等在即時的要求上，易得性高，且 Twitter 是一個很適合做長期文本挖掘和分析的對象，因為字數不多並且能看出與追隨者的動向傳遞。Mining 的優點在於，數據能提供立即的公共意見和行為上的回應，不只透過量化分析，也能從質化分析（例如一篇瀏覽量最高的新聞報導）看出什麼能抓住公眾的目光。

方法

建立了一個公開來源的資訊監測系統 Infovigil (http://www.infodemiology.org/#)，持續地從 Twitter 的 API 撈取原始資料。由關鍵字出發，蒐集可取得的公開推文存在一個國際性的資料庫裡。時間階段為 2009 年的五月一日到十二月 31 日，共兩百萬則推文包含使用者 ID 和時間，也在 2009 年九月起記錄被轉引的網頁，此資料庫主要被用來作為研究的主要資料來源，而全部的數據分析是用 SPSS。

數據蒐集與資料庫

(1)知識轉譯：

H1N1 vs. Swine Flu 為了建立一個知識轉譯的指標，測量術語如何轉換，從口語的詞彙「豬流感」到世界衛生組織所推薦的「H1N1」，在比例上英語的推文中，有「H1N1」的呈現線性的衰退。推文同時有 H1N1 和 Swine Flu 也列入撈取的範圍，但並不算在 H1N1 與 Swine Flu 各自的比例中。

(2)人工編碼內容與情緒分析

質化的人工編碼，時間挑選從五月 11 開始，四個禮拜為一周期的星期一共計九天，挑選星期一的原因是，只要看的是趨勢變化，所以避免掉抽取每日樣本數會存在的人為尖峰，挑選的這些樣本依據可行性，決定每小時為隨機抽樣 25 則推文（一天六百則），足夠捕捉每日的「快照」，且能避免貼文時間的誤差。重新轉發或回推的推文，被排除在樣本外，避免特定的熱門同樣內容推文或廣告。非英語推文也會被排除，因為翻譯不可行。編碼規則六大分類：來源、直接或非直接個人經驗（例如，我得了豬流感）、個人反應或評論（例如我很怕Ｈ１Ｎ１）、笑話、和Ｈ１Ｎ１相關的商品與不相關的貼文。且有臉部表情的推文也被算進情緒分析裡面，例如 lol, -_-。

(3)自動編碼與情緒分析

如果一則貼文有多種情緒，會被重複計算，而中立或模糊的情緒就不會被編碼。自動編碼的樣態，有十大類：幽默、關心、挫折、冷靜、舒緩、誤報、個人經驗、個人意見、連結來源、問題發問。被歸類到誤報的情形，除了笑話以外，如果內容不符合文獻標準，例如疾病控制中心的科學宣稱，或是可信度高的線上新聞來源宣稱（字眼例如化學攻擊、真實故事）。

Infovigil 透過ＳＱＬ（Structured Query Language）對關鍵字和片語作內容分類，功能有即時分析和推文視覺化。過濾的標準和人工編碼一樣，過濾掉重複貼文和轉貼文，常見的拼錯單字、情緒、網路俚語、關鍵字變異都算在內。為了有效分析，自動化的編碼會以卡方檢定檢視自動化的概念，是不是和人工編碼的趨勢相近。執行這個效度以每周檢驗去看。推特上的公眾態度，能以 Infovigil 的自動撈取數據直接去做視覺化圖表，例如在幽默這個分析所得到的分析圖表上，會有研究期間的最高峰，從中可以重新去看當天的媒體報導是什麼，或者當天有什麼額外的事件影響這些高峰。

結論

(1)知識轉譯

研究期間使用 H1N1 的推文比率從８．８％攀升到４０．５％，代表推特使用者逐漸採用世界衛生組織的術語，到了９月１日後的使用便和豬流感一樣普遍。媒體和大眾逐漸採用Ｈ１Ｎ１，作者認為主要還是媒體的力量影響，媒體對於術語的選擇不能被低估，因為他們擁有主要資訊傳遞的影響力，而字彙的選擇上，也同時會鼓勵或不鼓勵特定的行為。

(2)人工編碼與情緒分析

過去的研究颶風發現，有一半的貼文有ＵＲＬ，但是從這事件來看，最被普遍推文的是Ｈ１Ｎ１相關的貼文，顯示出社交網絡在災難中是快速的傳播與擴散。並在內容分析上，分析 5395 則貼文發現，推文包含來源和個人經驗，呈現成長的趨勢。但笑話和個人意見則減少，推文中表達幽默、挫敗、冷靜越來越不常見。主流和地方新聞網站被引用的比率顯著下降，而新聞部落格和社交平台的網頁增多，其中並無呈現特別明顯的趨勢，但是以非線性的樣貌呈現。

(3)自動編碼與情緒分析

在變動明顯的兩波高峰階段，Ｈ１Ｎ１相關的貼文絕對伴隨著Ｈ１Ｎ１的重大新聞事件，例如一大高峰在６／１１，相對應的事件是ＷＨＯ的流行病第六層級聲明，在這天幽默的推文降低，且挫敗的推文增加。第二波高潮１０月到１１月，原因是Ｈ１Ｎ１在美國開始流行，個人經驗類別的推文中，開始出現許多Ｈ１Ｎ１接種。某則推文要求媒體和大眾，以Ｈ１Ｎ１的字眼取代豬流感，結果之後豬流感的推文真的減少。

討論

1. 錯誤資訊在人工編碼中，被辨識的只有４．５％，雖然到了八月之後也就沒有發生這情況，但追蹤錯誤資訊的推文，對於公共衛生也有用途，可以著重資訊的需求並製作出線上和現下的宣傳。

2. ９０．２％的推文都有提供來源讓網友確認是否可信，雖然這些連結大多是主流或地方新聞網，但在資訊的供給與需求上，第二大網站來源例如社交平台，會隨著時間增多。

3. 使用者的推文缺乏對線上健康資訊批判性的評估，且政府權威單位也很少被引用，權威的消息來源還是不夠。但隨著時間推移，使用者喜歡官方實用的消息來源。

4. 挑選兩個關鍵字，代表著什麼意義沒有進一步討論

與本研究問題意識相關的概念與延伸對話：

1. 研究者不僅只能分析撈取的數據，數據背後的用戶，意即事件的發聲者，主要是哪個人口範疇所組成？在 Twitter 內與總體使用者作比較，這些發聲者又占多少比例，能否代表 Twitter 整體用戶的討論趨勢？

2. 此研究預設兩個關鍵字的立場，一個是非專業術語一個是專業術語，從數量上來看知識轉移，若以洪仲丘事件來看，或許也能預設某些關鍵字的變化，是站在什麼框架下做變化？例如洪兵→洪姊