大数据分析与情感分析用于健康虚假信息检测的影响因素、实施挑战及数据驱动采纳框架：一项系统性文献综述

《Frontiers in Big Data》：Big data analytics and sentiment analysis for health misinformation detection: a systematic literature review of influencing factors, implementation challenges and a data-driven adoption framework

　　

本研究旨在识别影响大数据分析（BDA）与情感分析（SA）用于健康虚假信息检测的因素，以及在医疗生态系统中采纳BDA与SA的相关挑战。研究采用系统性文献综述（SLR）方法学以实现研究目标。从11个数字平台检索了30篇最具相关性的基础研究（包括同行评议期刊论文和会议论文集）以开展SLR。研究结果表明，先进的深度学习架构、特征工程、情感智能、实时分析以及以人为中心的验证是影响基于大数据分析和情感分析的健康虚假信息检测的关键因素。研究还发现，标注局限性、可扩展性约束、领域适应挑战、伦理问题以及可持续性挑战对大数据与情感驱动的健康虚假信息检测系统的采纳产生了负面影响。本研究开发了一个数据驱动框架，以有效采纳并持续运用大数据分析和情感分析来检测健康虚假信息。系统性综述注册：https://osf.io/wjrm6。

1 引言

虚假信息是当今数字化变革世界中一个主导性挑战。在当前时代，数字媒体上产生的过量内容引发了人们对所传播信息准确性和真实性的担忧。健康虚假信息的制造者运用不同技术推广其内容以煽动公众情绪。这也促进了情感分析（SA）的应用，以捕捉健康相关社交媒体内容中所表达的情感极性、态度和观点。然而，情感分析本身无法判定健康声明是否事实准确、可信或具有误导性。概念上，情感分析与虚假信息检测代表相关但不同的分析任务。因此，本综述将情感分析视为一种辅助特征，可能补充语义、语言、行为、时间、网络、来源可信度和基于证据的虚假信息检测方法。数字社交网络上的虚假信息会误导人们，并对其健康相关事务的情感产生负面影响。由于缺乏高质量数据，在线健康信息的真实性难以确定。缺乏用于分析海量社交媒体数据的专家系统可能导致卫生官员无法有效且高效地检测健康虚假信息。海量的在线信息带来了大数据分析（BDA）创新的范式转变，因为它有助于在医疗保健领域做出基于证据的决策。BDA与自然语言处理转换器支持提取和分析可用于健康虚假信息检测的情感、语义、语言和上下文信号。深度学习算法和NLP特征提取允许进行细微的情感与情绪基调分析，从而增强旨在识别欺骗性或捏造的用户生成内容的检测框架。机器学习技术被用于开发情感模型，以提取可能贡献于更广泛虚假信息检测系统的情感和意见相关特征。通过大数据分析和深度学习算法，情感相关特征可以被整合到更广泛的分析和检测健康虚假信息的框架中。BDA可以支持卫生专业人员分析大规模健康信息环境，而情感分析则可以在更广泛的虚假信息检测和验证过程中提供补充信号。先进的计算技术可以改进情感分析及其他有助于识别和分析健康虚假信息的上下文表征。BDA与深度神经网络（DNN）的结合在从海量在线数据集中检测健康虚假信息方面卓有成效。自然语言处理创新支持通过数字信息内容分析实现可靠的公共健康安全情感分析。BDA创新有助于过滤在线数据集以检测健康虚假信息，从而促进不同利益相关者维持健康智慧城市。人工智能、神经网络和事实核查资源可以共同支持虚假信息检测，而情感分析可能提供关于潜在误导性内容的情感和态度特征的额外信息。基于词典的评分算法可以表征健康信息中的情感相关信号，随后可与其他特征结合用于虚假信息分析。社交媒体数据的情感分析存在特定挑战。准确识别来自不同社交媒体平台的俚语、短文本、表情符号、语境和语言差异中的情感是一个突出挑战。垃圾邮件发送者在社交媒体上持续散布有害数据给医疗保健利益相关者检测在线健康虚假信息带来挑战。不同虚假内容生成者在社交媒体上发起吸引公众注意力的活动是健康相关信息可信度的一个关键障碍。关于虚假在线健康数据的不明确政策导致在医疗保健信息环境中整合大数据分析情感驱动的虚假信息检测系统面临严重问题。算法偏差为高效且可持续地采纳大数据分析和情感分析以检测健康虚假信息制造了困难。

1.1 问题陈述

在快速变化的技术创新时代，通过社交媒体论坛、数字通信平台和在线新闻门户发布的健康虚假信息是一个严峻挑战。情感分析（SA）在识别用户对健康相关信息的情绪、观点和态度方面显示出巨大潜力。然而，情感特征本身无法确定健康声明的真实性。尽管BDA和SA可以为在线健康虚假信息检测做出贡献，但其有效利用需要将情感衍生信号与上下文语义、语言特征、来源可信度、行为模式、时间信息和基于证据的验证相结合。因此，一个重要的研究挑战是理解如何将BDA和情感相关的分析信号整合到更广泛的虚假信息检测生态系统中，同时避免假设情感极性本身就是虚假信息的证据。在社交网站上创建的健康相关数据在数量、速度、多样性和真实性方面的日益增长，给检测健康虚假信息以做出明智的医疗保健决策带来了挑战。在此背景下，大数据分析（BDA）是一种实时处理和分析异构数据集的有效方法，而情感分析（SA）在识别用户对健康相关信息的情绪、观点和态度方面显示出积极前景。尽管BDA和SA具有检测在线健康虚假信息的潜力，但现有的知识体系仍然分散在不同的学科、应用领域和方法论中。以往的研究已经积极考虑了大数据的有效性，以及情感分析方法在识别、评估和预测通过数字平台发布的健康虚假信息方面的作用。过去，各种研究者提出了基于数据科学的方法和分析框架来检测社交媒体上的健康虚假信息。同样，研究表明了情感分析在审视与健康虚假信息、假新闻和公共卫生危机相关的公众观点、情感反应和行为意图方面的有用性。近期的研究进一步证明了深度学习模型、机器学习、转换器架构、云系统和大型语言模型（LLM）的整合如何增强了虚假信息检测系统的可扩展性。尽管已有一些综述、调查和科学计量学研究独立考察了假新闻检测、情感分析和大数据应用，但尚未有一项全面的、基于系统性文献综述（SLR）的研究聚焦于影响基于大数据分析和情感分析方法的健康虚假信息检测的因素。这是现有知识体系中的一个相关空白，亟需填补。当前研究对同行评议期刊论文和会议论文集进行了深入的SLR，以整合关于影响采纳大数据分析和情感分析用于健康虚假信息检测因素的现有证据。该研究解决了识别影响基于大数据分析和情感分析方法的健康虚假信息检测因素的需求，并揭示了在医疗保健信息环境中实施大数据和情感驱动的虚假信息检测系统所面临的挑战。基于研究发现，本研究开发了一个数据驱动框架，用于可持续地采纳这些技术以检测在线健康虚假信息。该研究通过识别影响采纳BDA和SA用于健康虚假信息检测的因素，为现有知识体系增添了大量文献。它为政策制定者和相关利益方提供了实践启示，以高效采纳并持续运用BDA和SA服务于公共卫生保健。

1.2 研究目标

研究目标如下：

• •
  识别影响健康虚假信息检测方法中大数据分析和情感分析衍生信号的因素。
• •
  揭示在医疗保健信息环境中实施大数据和情感驱动的虚假信息检测系统所面临的挑战。

1.3 研究问题

研究的研究问题如下：

• •
  哪些因素影响健康虚假信息检测方法中的大数据分析和情感分析衍生信号？
• •
  在医疗保健信息环境中实施大数据和情感驱动的虚假信息检测系统面临哪些挑战？
• •
  什么是有效的框架来采纳大数据分析和情感分析以检测社交媒体上的健康虚假信息？

2 材料与方法

2.1 SLR方法论

为回答研究问题，采用了系统性文献综述（SLR）方法论。SLR通过预先制定的标准，运用可重复、透明和结构化的技术进行。这些标准被视为协议，为所有基于系统综述的阶段提供见解，以保持严谨性、准确性、效率和真实性。这些协议增加了研究的可靠性、可信度和有效性，并为未来研究者使用其他维度进行类似研究提供了明确的路线图。

2.2 PRISMA的使用

当前研究遵循了系统综述和荟萃分析首选报告项目（PRISMA 2020）指南执行。该综述应用PRISMA框架以确保方法论透明度、可重复性和一致性。展示了一个四阶段流程图以说明整个研究的选择过程。SLR协议已在开放科学框架（OSF）中注册，可通过osf.io/wjrm6访问。此外，遵循了PRISMA 2020核对表。每个报告条目均系统地与综述的相应部分对齐。通过纳入和排除标准确定了最终选择的30篇核心研究，以开展关于该焦点主题的系统综述。

2.3 SLR方法在不同领域的应用前景

SLR方法应用于多个知识领域，包括农业科学、艺术与人文学科、行为与社会科学、商业、经济学与行政科学、化学与材料工程、商业、计算与信息技术、教育、电气、能源与环境工程、地球科学、健康科学、信息与媒体研究、伊斯兰研究、法律、生命科学、语言、工业系统工程和药学。它为基础知识体系和管理提供了富有洞察力的启示。它为知情政策制定提供了基于证据的见解。基于SLR的研究得出的结论被认为是真实、有效、可靠且有影响力的，可用于完善现有系统和服务。多个学科的研究人员在其研究中采用SLR方法论，收集和分析全球已发表文献中关于特定主题的研究。SLR方法论有助于基于数据驱动的文献识别现有知识和实践中的差距。现有系统、政策和服务的重构旨在赋能和提升不同机构。在基于SLR的研究中，有四个阶段称为规划、选择、数据提取和执行。下文对这些阶段进行系统阐述。

2.4 规划

研究团队制定了计划，以开展关于“大数据分析与情感分析用于健康虚假信息检测：影响因素、实施挑战及数据驱动采纳框架的系统性文献综述”的调查。制定了以下重点研究目标：识别影响基于大数据分析和情感分析方法的健康虚假信息检测的因素；揭示在医疗保健信息环境中实施大数据和情感驱动的虚假信息检测系统所面临的挑战。这些目标为高效开展该主题的系统综述提供了路线图。表2显示了检索所需研究时考虑的纳入和排除标准。

2.5 选择

研究团队采用了多种策略对所需文件进行全面检索。根据综述的主要概念领域制定了全面且结构化的检索策略：(i) 大数据分析和情感分析，(ii) 健康虚假信息检测，以及代表影响因素、挑战、决定因素、障碍和驱动因素的术语。同义词和密切相关的表达方式使用布尔运算符“AND”和“OR”组合。必要时调整了数据库和平台特定的语法、字段代码、受控词汇和检索功能，以适应各个信息来源的技术要求。检索了11个信息来源以最大化覆盖计算、健康科学、信息科学和多学科研究领域。这些信息来源包括Google Scholar、Scopus、Web of Science、PubMed、MEDLINE、Ovid MEDLINE、ScienceDirect、Wiley InterScience、PLoS、Global Health和MDPI。Google Scholar被视为学术搜索引擎，而其余来源则通过各自的文献目录、出版商和学科特定平台进行检索。所有检索均在2026年6月期间进行。每个信息来源使用的完整概念检索字符串如表3所示。虽然检索的概念结构在各来源间保持一致，但在必要时调整了字段代码、受控词汇和平台特定语法。根据预定义的资格标准，考虑了2015年1月1日至2026年3月31日期间发表的英语研究。检索过程共获得3280条记录。使用多个信息来源旨在提高检索广度并减少对任何单一数据库或平台索引覆盖范围的依赖。随后对通过不同来源识别的记录进行去重、标题和摘要筛选以及全文资格评估，然后确定最终纳入的研究集。为识别重复记录，将所有检索到的参考文献导入Mendeley参考文献管理器，在筛选前识别并检查重复条目。在标题和摘要筛选之前移除了已识别的重复记录。此过程导致从最初的3280条检索记录中排除了87条重复记录。表3展示了在不同数字平台中用于检索所需研究的查询语句和过滤器。图1清晰展示了从最初检索研究到最终选择最相关核心论文和会议论文集的完整检索过程。尽管检索获得了3280条记录，但只有30项研究满足所有预定义的资格标准。初始检索与最终样本之间的差异不应被解释为该综述施加了任意样本量限制的证据。相反，大幅减少是由于顺序进行的去重、标题和摘要筛选、全文评估、语言和出版物类型标准的应用以及对综述目标实质相关性的评估所致。因此，最终样本代表了满足预先规定的方法论和主题标准的证据体，而非预定数量的研究。尽管如此，资格标准的限制性可能排除了潜在相关的证据。特别是，将综述限制在英语同行评议出版物和会议论文集可能会引入语言和出版偏倚，而信息来源覆盖范围和索引实践的差异可能导致选择偏倚。在解释研究结果和制定数据驱动采纳框架时考虑了这些局限性。

2.6 审稿人、筛选、研究选择与质量评估

综述过程由研究的五位作者进行。在2026年6月完成数据库检索后，所有检索到的记录被整理并组织进行筛选。筛选过程分两个连续阶段进行：(i) 标题和摘要筛选，(ii) 根据表2中预定义的纳入和排除标准进行全文评估。为最小化选择偏倚，筛选和资格决定由作者团队的三位审稿人独立进行。关于某条记录资格的争议在审稿人之间讨论并通过共识解决。若无法达成共识，则咨询剩余两位作者，并通过讨论和共识做出最终决定。在研究选择之后，使用表5中呈现的结构化提取框架提取数据。提取的信息包括书目特征、地理背景、大数据分析和情感分析方法、影响因素、实施挑战以及与综述目标相关的其他信息。数据提取由四位审稿人独立进行，差异经过检查、讨论并通过共识解决。使用表6中呈现的10项CASP知情关键评估框架评估了30篇纳入研究的方法学质量。质量评估由三位审稿人进行。评估判断的任何差异均通过讨论和共识解决。质量评估用于将综合发现置于具体情境中。存在方法学局限性的研究在满足预定义资格标准时不会被自动排除；相反，其方法学优势和局限性在解释证据的强度和一致性时予以考虑。