《Viruses》：Public Information Demand During the 2026 Bundibugyo Virus Outbreak: A Dual Infodemiology Analysis Across Six Ebola Virus Disease Outbreaks
编辑推荐：
2026年由缺乏已获批疫苗的病毒种引起的首次埃博拉相关国际关注的突发公共卫生事件（PHEIC），伴随针对响应队伍、治疗中心的阴谋驱动暴力与信息危机。研究人员结合Google Autocomplete查询提取（来自83个种子词的7347条唯一查询，含英文与法文）
2026年由缺乏已获批疫苗的病毒种引起的首次埃博拉相关国际关注的突发公共卫生事件（PHEIC），伴随针对响应队伍、治疗中心的阴谋驱动暴力与信息危机。研究人员结合Google Autocomplete查询提取（来自83个种子词的7347条唯一查询，含英文与法文）与跨2014至2026年六次埃博拉疫情（EVD）的Google Trends时间分析。自动补全建议以风险量化与传播关切为主。Google Trends时间分析显示错误信息相关搜索词与整体埃博拉搜索兴趣呈中度至强共动（Spearman ρ = 0.359–0.697，名义 p < 0.001）。法文建议中错误信息与阴谋内容（4.9%对0.8%）及恐惧相关内容（3.5%对0.4%）分别为英文的约六倍与九倍。结果表明以英语语境设计的信息流行病管理策略不足以服务最高风险人群，应为持续响应提供语言适配干预。
研究背景方面，埃博拉病毒病（Ebola virus disease，EVD）由正埃博拉病毒属（Orthoebolavirus）引起，本迪布焦病毒（Bundibugyo virus）疫情为首次由无已获批疫苗的种引发的PHEIC，现场出现掩埋队遇袭、治疗中心被毁与阴谋论扩散。既往研究多关注Twitter等社交媒体上的错误信息供给，缺少对公众“信息需求内容”的系统刻画，也缺少Google Autocomplete与Google Trends联合用于急性传染病疫情的分析。因此，研究人员在2026年本迪布焦疫情背景下，采用双重信息流行病学（infodemiology）框架，刻画公众搜索生态的内容、时间与地理维度。
该论文发表于《Viruses》。研究人员开展的是横断面信息流行病学研究：用程序化方式提取Google Autocomplete建议，再用Google Trends分析相对搜索量（relative search volume，RSV）的时间动态，从而把“用户被呈现什么”和“何时何地搜索”整合起来。
主要关键技术方法方面，研究人员于2026年7月28日通过Python脚本调用Google Autocomplete公开服务，以47个英文与36个法文种子词并加a至z字母后缀扩展，去重后获得7347条唯一建议；用hl=en与hl=fr设定界面语言，并通过未登录、清Cookie、单一VPN出口降低个性化影响。Google Trends部分通过pytrends获取2013年1月至2026年7月“Ebola”及疫苗、症状、治疗、治愈、阴谋、fake、hoax、natural cure等词的月度RSV，并进行国家层面地理分布与相关查询分析。统计上采用Spearman秩相关、Pearson相关、D’Agostino–Pearson K2正态性检验、Durbin–Watson检验与卡方/Bonferroni校正，分类采用先验关键词优先级算法并以第二评审员抽样计算Cohen’s κ。
研究结果如下。
概述数据收集：从83个种子词获得7347条唯一建议，英文3851条、法文3496条；5403条进入12个预设主题，1944条未分类，未分类以地理变体、专名、歧义短句为主。
主题分布：流行病学与疫情更新占24.5%，传播与传染占14.4%，预防保护、治疗医疗相近各约5.9%；旅行与风险评估占5.4%，症状占5.2%，疫苗占5.1%；错误信息与阴谋占2.8%，本迪布焦专项占2.1%，心理社会与恐惧占1.9%，传统替代疗法与医护工作者响应各约0.2%。未分类中46.3%为地理变体。
英法语查询比较：整体分布差异显著，Cramér’s V = 0.253；法文建议中错误信息与阴谋、恐惧、预防保护、本迪布焦专项比例更高，英文中流行病学更新占比更大。研究人员强调英文与法文种子词并非直译，且hl参数指界面语言而非地理来源，因此不能把差异简单归为受疫情影响的法语非洲人群与英语非洲人群之差。
Ebola相关搜索兴趣时间动态：2014西非疫情峰值RSV=100，2018至2020北基伍/伊图里峰值仅5，2022乌干达与2025卡萨伊几乎无信号；2026本迪布焦峰值RSV=6且初期维持更高，反映物种新颖性、PHEIC、无疫苗与后COVID-19时代关注。
比较搜索词分析：症状与治愈在2014年与核心词同步冲高，疫苗词在2018至2020北基伍相对更突出，对应该阶段rVSV-ZEBOV（Ervebo）环围接种部署。
错误信息相关趋势：所有RSV严重右偏、尖峰衰减；Spearman ρ为0.359至0.697，Ebola conspiracy最强，Ebola natural cure最弱；Durbin–Watson=1.36提示正自相关，因此p值仅作近似描述。
地理分布：利比里亚、塞拉利昂、几内亚位列前三，说明直接受影响国家搜索强度最高。
疫情特定搜索画像：2014为陡升陡降，2018至2020为低幅但较持久且2020初有COVID-19外溢高峰，2026本迪布焦初始上升最陡。
显著查询模式：Ebola zombie集群兼具娱乐与文化意涵但仍按错误信息管理；本迪布焦新种、无疫苗查询显示公众开始区分病毒种；远国旅行风险查询体现低客观风险下的焦虑；医护与心理社会查询极少，说明公众自发需求偏生物医学与流行病学。
讨论部分总结：研究人员指出自动补全生态由风险量化主导，公众自发问的是死亡率、传播路径、个人风险，而非响应机构最想传递的安全掩埋与心理支持。法语生态中错误信息与恐惧内容更高，但不能脱离刚果民主共和国（DRC）冲突、外部资源掠夺、制度性不信任来解读；因此法语区干预不能只做翻译，而要处理结构性不信任并依托社区卫生工作者与广播。搜索兴趣随多次疫情衰减，但2026本迪布焦因新颖性与疫苗空白部分打破衰减；错误信息与正当信息需求共动，说明反谣言要早部署；公众已能区分Bundibugyo种，官方应主动解释分类与对策管线。
结论部分翻译：本研究证明Google Autocomplete与Google Trends联合可提供疫情期公共信息景观的实时细粒度画像。用于EVD时，该景观以风险量化与传播关切为主，错误信息内容与整体搜索兴趣共动，且英文与法文建议集差异显著。六次疫情间的注意力衰减与2026本迪布焦新种事件的部分回升表明，驱动全球信息寻求的主要是感知新颖性与不确定性，而非流行病学严重程度。这些发现要求信息流行病管理策略不仅要有证据、及时，还要做语言文化适配、结构层面知情，并在单次疫情急性期之后持续。就正在进行的本迪布焦病毒病响应而言，法文反错误信息、关于对策缺口的主动沟通，以及权威信息渠道的早期部署，并非可选项，而是有效公共卫生响应的必要组成部分。
