X平台(原Twitter)COVID-19公共卫生传播研究：消息类型、情感倾向与信息来源的关联性分析及其对公众参与度的影响

本研究针对COVID-19疫情期间社交媒体公共健康传播效果展开系统分析，通过机器学习模型对867,485条英国和爱尔兰地区推文进行情感分析、用户分类和消息类型标注，发现个人故事类内容(27%参与度)和积极情绪推文(29.3%参与度)最能引发公众互动，同时揭示了12类用户群体应采用差异化传播策略。该研究为公共卫生机构制定精准化社交媒体干预方案提供了数据支撑。

　　

在COVID-19大流行期间，社交媒体成为公共卫生信息传播的双刃剑——既能快速触达公众，又面临虚假信息泛滥的挑战。尽管既往研究证实社交平台对疾病监测和公众情绪分析的价值，但关于消息类型、情感倾向与信息来源如何协同影响传播效果，始终缺乏系统性证据。这导致卫生机构在策划社交媒体干预时缺乏精准的内容策略依据，难以在信息过载的环境中实现有效传播。

为破解这一难题，研究人员开展了一项横断面研究，通过分析2020年1月至2022年3月间英国和爱尔兰地区的867,485条COVID-19相关推文，首次构建了多维度传播效果评估框架。该研究创新性地采用四步分析法：首先通过RoBERTa-base模型完成情感标注（准确率74%），随后运用SetFit模型进行12类用户分类（准确率73%）和6类消息类型识别，最终采用零膨胀负二项模型解析最优内容组合。研究结果发表于《JMIR Formative Research》，为公共卫生传播提供了数据驱动的决策支持。

关键技术方法包括：1) 基于Twitter API的地理定位数据采集；2) 混合人工编码与机器学习模型（RoBERTa-base、SetFit、GPT-3）的多轮分类验证；3) 采用加权参与度指标（likes+replies+retweets+quotes/followers）；4) 零膨胀模型处理26%的零参与数据。研究队列覆盖健康机构、医务人员、政要等11类非公众用户。

主要结果

情感分析
RoBERTa-base模型识别出37.3%消极、22.9%积极和39.8%中性推文。尽管积极推文仅占22.9%，其参与度达29.3%，显著高于消极(26.7%)和中性内容(20.4%)。

用户分类
健康专业人员虽仅占7.8%，却获得15.2%的最高参与度；相反，高频发布者如 influencers(32.3%)仅获11.5%参与度。健康机构表现最弱(0.7%参与度)。

消息类型
个人故事/声明类内容以21.8%占比斩获26.7%参与度，成为最有效类型。震惊/恐惧类消息(31.9%)参与度为21%，而高频的教育类内容(33%)仅获16%参与度。幽默和投机类内容参与度不足5%。

统计模型
零膨胀模型揭示差异化策略：健康专业人员应侧重倡导性内容和个人故事(回避恐惧类)；艺术家需利用震惊/恐惧内容配以积极情绪；政客和 influencers可通过幽默提升传播效果，但需规避投机性话题。

结论与意义
该研究首次量化验证了"情感共鸣"在公共卫生传播中的核心作用——积极情绪和个人叙事能突破信息噪声实现病毒式传播。研究构建的"用户-消息-情感"三维框架，为不同机构提供了定制化传播方案：健康机构应强化倡导性叙事，医务人员需分享临床故事，而公众人物可适当采用幽默元素。这些发现不仅优化了危机时期的传播策略，更为建立"精准公共卫生传播"范式提供了方法论基础。值得注意的是，研究揭示健康专业人员作为"高可信度传播者"的特殊价值，提示未来干预应重点培养医务人员的社交媒体素养。

局限在于未考虑发布时间、多媒体元素等因素影响。未来研究可结合自然语言处理(NLP)与传播动力学模型，进一步优化公共卫生信息的靶向投放策略。该成果对应对未来公共卫生危机中的"信息流行病"(infodemic)管理具有重要指导价值。