Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

as mensagens da Anti-vacinação espalham mais facilmente do que o positivo uns em Twitter, pesquisadores encontra

Em Twitter, um serviço popular microblogging e de social-trabalhos em rede, indicações sobre vacinas pode ter efeitos inesperados -- as mensagens positivas podem malograr, de acordo com uma equipe dos pesquisadores de Penn State conduzidos por Marcel Salath-, um professor adjunto da biologia. A equipe seguiu a pro-vacina e as mensagens da anti-vacina a que os usuários de Twitter foram expor e observou então como aqueles usuários expressaram seus próprios sentimentos sobre uma vacina nova para a gripe de combate H1N1 -- uma tensão de vírus responsável para a gripe de suínos. Os resultados, que podem ajudar responsáveis da Saúde a melhorar estratégias para esforços da vacinação-consciência, serão publicados na ciência dos dados do jornal EPJ no horário de verão oriental dos E.U. do meio-dia do 12:00 (GMT do P.m. do 5:00) o 4 de abril de 2013.

Todos os pesquisadores começaram acumulando piam com palavras-chaves e frases vacinação-relacionadas durante a pandemia 2009 H1N1. Seguiram então os sentimentos dos usuários sobre a vacina H1N1. Para classificar completamente e categorizar piam, Salath-- os estudantes perguntados equipe de Penn State para avaliar um subconjunto aleatório de aproximadamente 10 por cento e como positivos, negativos, neutro, ou irrelevante. Por exemplo, piar que expressa um desejo obter a vacina H1N1 seria considerado positivo, quando piar que expressa a opinião que o dano vacinal das causas estaria considerado negativo. Piar a respeito de uma vacina diferente; por exemplo, a vacina da hepatite B, seria considerada irrelevante.

Em seguida, a equipe usou as avaliações dos estudantes para projectar um algoritmo do computador para catalogar os 90 por cento permanecendo do pia de acordo com os sentimentos que expressaram. “O humano-avaliado pia servido como “uma aprendizagem do grupo” que nós nos usamos “ensinamos” ao computador como avaliar piamos exactamente,” Salath- explicamos. Depois que pia foi analisado pelo algoritmo do computador, o registro final era 318.379 pia sentimentos positivos, negativos, ou neutros expressar sobre a vacina H1N1.

Após a categorização pia, Salath- e sua equipe a seguir desenvolveu um modelo estatístico com a informação que inclui o número de microbloggers que cada usuário de Twitter era seguinte. Além, os pesquisadores gravados se aqueles seguiram microbloggers tenderam a piar negativamente ou positivamente sobre a vacina H1N1. Igualmente foi incluído no modelo o número do negativo ou positivo pia cada um dos microbloggers seguidos mandados. “Quanto a pro-vacina ou os indivíduos da anti-vacina um usuário de Twitter seguem é apenas uma medida. Igualmente importante é quanto negativos ou positivos pia cada microblogger seguido a seguir transmite a seus seguidores,” Salath- disse. “Pôde-se ser que um usuário de Twitter segue somente 5 microbloggers da anti-vacina, mas se aqueles 5 microbloggers todos enviam o negativo 10 pia pelo dia, que pôde ter um impacto importante.” Outro mede incluído no modelo estatístico era o número de cada usuário de Twitter de usuários recíprocos -- quantos pares de microbloggers se seguiam -- e a história do próprios negativo dos seguidores e positivo pia.

Primeiro encontrar inesperado da equipe era que a exposição ao sentimento negativo era contagioso, quando a exposição aos sentimentos positivos não era. A “causa - e - efeito é difícil de desembaraçar nos dados tais como estes, assim que nós podemos somente especular sobre porque nós vimos este acontecer,” Salath- dissemos. “O que quer que a razão, a observação está incomodando porque sugere que as opiniões negativas na vacinação possam espalhar mais facilmente do que opiniões positivas.”

Encontrar em segundo inesperado da equipe era que microbloggers com os relacionamentos mais recíprocos de Twitter tendidos a ser influenciado diferentemente segundo se os sentimentos vacinais de suas conexões eram positivos ou negativos. “Nós encontramos que, em relacionamentos microblogging recíprocos, os sentimentos negativos eram mais social contagiosos do que sentimentos positivos,” Salath- dissemos. “Quando um microblogger teve muitas conexões recíprocas de Twitter com os usuários que expressaram sentimentos da anti-vacina, tendeu a piar ainda mais sentimentos ele mesmo da anti-vacina.” Interessante, contudo, seu equipe de Salath- e encontrou que a mesma não guardarou verdadeiro para microbloggers com conexões recíprocas com os usuários que expressaram sentimentos da pro-vacina; isto é, os sentimentos da pro-vacina não pareceram incentivar povos piar uns sentimentos mais positivos do seus próprios.

“Nosso terceiro encontrar era o mais estranho e talvez o mais discouraging,” Salath- disse. E sua equipe olhados o volume completo de negativo ou de positivo piam os seguidores recebidos -- independente de quantos indivíduos os usuários seguiram. “Não surpreendentemente, nós encontramos que um volume alto de negativo pia parecido incentivar povos piar mais negativamente. Mas estranha, um volume alto de positivo pia parecido incentivar povos piar mais negativamente, também,” Salath- disse. “Ou seja as mensagens da pro-vacina pareceram malograr quando bastante delas foram recebidas.”

As esperanças de Salath- projectar Twitter adicional estudam para testar se os mesmos efeitos podem ser observados para os sentimentos expressados sobre outras vacinas, assim como sobre outros problemas de saúde tais como o uso antibiótico, fazendo dieta, e exercitando. “Quando alguns de nossos resultados do estudo H1N1 puderem parecer frustrantes, há umas frestas de esperança,” Salath- disse. “Primeiramente, nós temos uma maneira experimentado-e-verdadeira de seguir lá fora e analisar a riqueza dos dados em Twitter. Em segundo, uns estudos mais adicionais podem revelar porque as mensagens positivas parecem incentivar o gorjeio negativo; talvez há algo sobre a maneira em que a mensagem está sendo transportada. Por exemplo, os responsáveis da Saúde públicos poderiam usar essa informação para enviar mensagens positivas em uma maneira que fosse mais provável ter o efeito pretendido.”

Source: