护士纠正网络健康错误信息意愿的多因素预测模型:基于机器学习与SHAP分析
《Public Health》:Multifactorial predictive model for nurses’ intention to correct online health misinformation: A machine-learning and SHAP analysis
【字体:
大
中
小
】
时间:2026年07月15日
来源:Public Health 3.5
编辑推荐:
裴端|赵刘|陈松|梁伟|侯平|钱凌|王伟|刘永兵中国江苏省扬州市225009,扬州大学医学院护理学院摘要目的构建并解读一种预测模型,以识别与护士纠正网络健康错误信息意愿相关的关键因素,为加强一线对错误信息应对的针对性干预提供证据支持。研究设计采用全国性横断面调查,结合机器学习建模
裴端|赵刘|陈松|梁伟|侯平|钱凌|王伟|刘永兵中国江苏省扬州市225009,扬州大学医学院护理学院摘要目的构建并解读一种预测模型,以识别与护士纠正网络健康错误信息意愿相关的关键因素,为加强一线对错误信息应对的针对性干预提供证据支持。研究设计采用全国性横断面调查,结合机器学习建模与可解释人工智能技术。方法2025年5月至6月,通过对中国医疗机构在职注册护士进行方便抽样,开展在线横断面调查。使用二分项来衡量纠正网络健康错误信息的意愿,收集了39个预测因子,包括社会人口学特征、心理因素、健康信息态度、电子健康素养以及工作环境因素。通过分层数据分割、合成少数过采样技术以及基于网格搜索的超参数调优,训练了7种机器学习算法(即逻辑回归、随机森林、AdaBoost、CatBoost、ExtraTrees、XGBoost和LightGBM)。利用准确率、召回率、精确率、F1值以及接收者操作特征曲线下面积来评估模型的区分能力。表现最佳的模型通过SHapley加性解释方法进行解读。随后通过结构方程模型,检验SHAP识别的关键预测因子之间的理论假设关系,从理论上验证研究结果。结果对1120名护士的数据分析显示,80.2%的护士有意积极纠正网络健康错误信息。在测试集中,ExtraTrees模型的表现最佳(AUC=0.919;准确率=0.827)。该模型在灵敏度(召回率=0.827)和精确度(0.791)之间取得了平衡,尽管存在类别不平衡问题,但仍表现出良好性能。SHAP分析表明,对信息危害的认知、在普通病房工作、教育水平、对信息可信度的认知、临床工作经验年限以及电子健康素养技能是影响意愿的最重要预测因子。这些变量可归为三个主要范畴:风险认知、专业能力以及临床实践环境。这些特征的数值越高,对应的SHAP值也越高,表明纠正意愿越强。值得注意的是,对信息危害的认知与研究结果之间存在明显的单调正相关关系。对SHAP依赖图的可视化分析显示,关键预测因子之间的交互效应有限,大多数变量与研究结果均呈现一致的单调关系。结构方程模型进一步支持了这些发现,表明能力因素(电子健康素养)对心理因素(风险认知和信息态度)有较强的正向影响(β=0.761,p<0.001),对纠正意愿有直接正向影响(β=0.336,p<0.001),并通过心理因素产生间接影响(β=0.124,95%置信区间[0.065, 0.188]),占总效应的27.0%。该模型可解释意愿变异的22.4%(R2=0.224),拟合效果良好(SRMR=0.056)。结论本研究基于机器学习技术提供了关于护士纠正网络健康错误信息意愿决定因素的新颖且可解释的证据,构建了一个整合预测建模与理论分析的综合性框架。护士识别错误信息造成的危害、批判性评估数据以及在有利的工作环境中运用数字健康技能的能力,都会影响他们纠正网络健康信息的意愿。提升电子健康素养和风险沟通技能,有助于提高一线人员减少错误信息对公共健康负面影响的的能力,尤其是在患者互动频繁的病房环境中。引言社交媒体上虚假健康信息的快速传播被称为“信息流行病”,已成为全球重大的公共卫生问题。在公共卫生紧急状态下,信息流行病指的是准确信息和误导性信息同时迅速大量传播,使得人们难以找到可靠的信息来源和指导。真实与虚假信息的共存会削弱人们判断信息可信度的能力,降低对医疗系统的信任,还会导致不良的健康行为。在2019年冠状病毒疾病大流行期间,错误信息加剧了公众的焦虑,引发了疫苗犹豫现象,还影响了人们遵守预防措施的积极性,因此需要有效的公共卫生应对措施。错误信息在数字环境中的传播并不均衡,它通常与疾病预防控制相关,且多集中在微信等特定平台上。因为这类内容被认为更具可信度,所以那些表述负面或看似来自权威来源的内容传播得更广。通过人工或人工智能进行事实核查是减少错误信息的一种公共卫生策略,尤其是当纠正信息来自其他渠道时,这种方法比简单的否认更为有效。通过鼓励用户在分享信息前考虑其准确性,准确性提示干预措施能进一步减少错误信息的传播。然而,这些方法的有效性可能受到用户参与度、对信息来源的信任程度以及错误信息传播速度等因素的限制。此外,它们的效果可能因不同情境而异,其可扩展性和长期可持续性也尚不确定。另外,信息素养和数字能力的差异依然是重大障碍。数字健康素养较高的人更能识别错误信息,也更愿意加以纠正,而素养较低的人则更容易受到欺骗性内容的影响。因此,提升数字健康素养已成为应对信息流行病的核心举措。在临床和社区环境中,护士、医生以及公共卫生从业者等卫生专业人员越来越被期望能够反驳错误信息。在这些群体中,护士因其频繁与患者接触、较高的公众信任度以及庞大的队伍规模,成为遏制健康错误信息传播和影响的关键力量。然而,时间限制、担心遭受网络攻击以及缺乏组织支持等因素,都制约了他们采取纠正行动的意愿。尽管人们越来越认识到纠正错误信息的重要性,但关于影响卫生工作者采取此类行动意愿的因素的定量数据仍然有限。研究人员主张使用机器学习技术来捕捉变量之间复杂且可能是非线性的关系,因为这些因素具有多维度特征。与传统统计方法相比,机器学习能更高效地处理高维数据,而SHapley加性解释方法则通过量化单个特征的影响,提升了模型的可解释性。因此,本研究旨在构建一个既能预测又能解释护士纠正网络健康错误信息意愿的模型。具体而言,本研究要解决以下研究问题:(1)哪些因素与护士纠正网络健康错误信息的意愿相关?(2)在机器学习框架下,哪些因素对预测性能的贡献最大?(3)如何通过SHAP分析解读这些因素的相对重要性及作用方向?通过整合人口统计学、心理学、态度学以及组织层面的变量,结合机器学习建模、基于SHAP的可解释性分析以及结构方程模型,本研究为针对健康错误信息加强一线应对的针对性干预提供了全面的证据框架。理论框架本研究以计划行为理论、健康信念模型、社会认知理论以及技术接受模型为基础的整合行为框架为指导。这些理论为三个分析领域提供了理论支撑:(1)心理和动机因素(如对信息危害的认知以及信息可信度);(2)反映数字能力、认知能力和自我效能资源的能力建设相关因素(如电子健康素养、一般自我效能感)。样本特征在纳入分析的1120名护士中,有898名(80.1%)表示在过去一年里有意积极纠正网络健康错误信息。单变量分析显示,有纠正意愿和无纠正意愿的护士在年龄组、教育水平、工作经验年限、职业职称以及所在科室方面存在显著差异(P<0.001,见表1)。GSES得分、eHEALS意识、技能、评估得分以及总分、eHIAS信息可信度得分、对……的认知。主要研究发现本研究将机器学习与结构方程模型相结合,得出了互补性的见解,从而提升了研究结果的可靠性和可解释性。尽管这两种方法在分析逻辑上存在根本差异——一种是预测性、探索性的,另一种则是解释性、验证性的——但它们在护士纠正网络健康错误信息意愿的关键决定因素上达成了一致,进一步增强了研究结论的稳健性。伦理审批本研究已获得扬州大学护理学院伦理委员会的批准(批准号:YZUHL20250045)。在线调查的第一页包含了详细的知情同意书,说明了研究的目的、方法、数据使用方式以及保密协议。为确保获得明确同意,参与者必须在继续之前点击“我同意参与”按钮。数据可用性由于伦理和隐私方面的考虑,所生成和/或分析的数据集不可公开获取;不过,经合理请求,可从相应作者处获取。作者贡献各位作者对本文的贡献如下:裴端:概念构建、方法设计、资金筹集、数据收集、正式分析、初稿撰写。赵刘:方法设计、初稿撰写、审稿与编辑。陈松:方法设计、初稿撰写、审稿与编辑。梁伟:方法设计、正式分析。侯平:数据收集、正式分析。钱凌:数据收集、正式分析。王伟:数据收集、正式分析。资金支持本研究得到了中国哲学社会科学基金[项目编号24BRK008]以及江苏省人畜共患病重点实验室虎信基金[项目编号HX2110]的支持。利益冲突声明作者声明不存在任何利益冲突。致谢我们感谢所有参与我们研究的护士们。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号