突发公共卫生事件中的互联网公众反应

张宁 李华 李培植 沈洪洲 袁勤俭

摘 要：[目的/意义]新型冠状病毒肺炎的爆发作为近期的一件重大突发公共卫生事件，引发了公众在社会化问答平台上的激烈讨论。[方法/过程]本研究采用Python获取知乎平台上与新型冠状病毒肺炎话题相关的文本内容，运用多维尺度分析、内容分析和情绪分析等方法，揭示公众所关心的疫情主题内容，分析不同时期公众关注点的转移情况以及回答文本中的情绪极性。[结果/结论]研究结果表明公众关心的主题集中在两个维度的6个类别上;公众的关注内容主要集中在“疫情动态关注”和“防控与疫情传播”两方面，其中第一阶段主要关注国内地区，而第二阶段关注重心转移到国外地区;两阶段的回答中情绪极性均以中立为主，积极情绪的问答占比最低，第二阶段相比第一阶段的变化表明公众情绪的整体走向积极。基于研究结果，针对互联网公众的信息关注和社会情绪变化，向有关部门提供参考和建议，进而丰富了突发公共卫生事件背景下的舆情相关研究。

关键词：突发公共卫生事件;多維尺度分析;内容分析;公众反应;情绪极性;新冠肺炎

DOI：10.3969/j.issn.1008-0821.2021.02.008

〔中图分类号〕G252.0 〔文献标识码〕A 〔文章编号〕1008-0821（2021）02-0078-11

Abstract：[Purpose/Significance]The outbreak of the COVID-19，as a major public health emergency in the recent past，has sparked intense public discussion on the social question and answer platform.[Method/Process]This study used Python to obtain text content related to the topic of COVID-19 on the platform，using multi-dimensional scale analysis，content analysis and sentiment analysis to reveal the epidemic theme content of public concern and analyze the shift of public attention in different periods and emotional polarity in the answer text.[Results/Conclusions]The results showed that the topics of public concern were concentrated in 6 categories in two dimensions.The public's concerns were mainly concentrated in two aspects：“dynamic attention to epidemic situation”and“prevention control & epidemic transmission”，of which the focus of the first stage was mainly on domestic areas，while the focus of the second phase was shifted to foreign areas.The polarity of sentiment in the answers of the two phases was mainly neutral，and the proportion of positive emotions was the lowest.The changes in the second phase compared to the first phase indicated that the overall public sentiment was positive.Based on the results of the research，we provided references and suggestions to the relevant departments for the Internet public response and social mood changes，thereby enriching the research on the Internet public response in the context of public health emergencies.

Key words：public health emergencies;multidimensional scale analysis;content analysis;public response;emotional polarity;COVID-19

新型冠状病毒肺炎这一重大突发公共卫生事件的爆发引起了广大公众的关注，并在社会化问答平台上展开激烈讨论。公众不仅能通过社会化问答平台获取健康信息，还能在平台上获取情感支持和共鸣。因此，社会化问答平台为研究提供了大量与健康信息相关的内容，诸多学者从内容主题、答案偏好等方面进行了广泛研究[1-2]，为相关部门提出有针对性的应对措施提供了理论基础。此外，内容中包含的情感也是重要的研究要素，尤其在突发公共卫生事件中，情绪在平台用户中的迅速传播和交互影响会产生诸多影响，而相关部门针对公众反应，及时安抚公众不良情绪，可以有效避免社会恐慌，据此，安璐等[3]以魏则西事件为例探究了相关利益人在突发公共卫生事件中不同时期的情感变化和强度，并分析了情感在主要相关利益人间的传播路径，为相关部门采取有效的情绪引导措施提供了参考。

综上，国外研究人员主要从用户和主题分类、信息质量评估及影响因素、信息行为及其影响因素几方面来展开将社会化问答平台与健康结合的研究，较为全面且数量较多;而国内仅对健康信息用户的行为进行了初步探究，缺乏健康话题主题分析方面的研究。本研究以知乎平台为研究对象，剖析突发事件中互联网公众关注的话题主题，同时分析了公众所发表言论中的情绪极性，以便掌握其关注焦点和社会情绪走向。研究结论有助于相关部门针对公众的信息诉求给出相应的应对措施，以期实现突发事件的舆论风险点识别，并对相关部门有效安抚公众情绪产生一定的启示作用。

2 研究设计

本研究以知乎平台上与新型冠状病毒肺炎相关的话题内容为研究对象，研究的主要内容如下：①爬取知乎平台上与新型冠状病毒肺炎相关的问答条目;②分析不同阶段知乎上发布的问题数量和关注点的变化情况;③阐释并可视化呈现话题的主题;④分析不同阶段问题答案中的情绪极性。

2.1 研究方法

多维尺度分析是一种可视化分析工具。国外研究人员将其与突发公共卫生事件相结合，对相关话题的主题或术语进行可视化呈现。如Cai H等[22]利用多维尺度分析对雅虎问答上用户使用的糖尿病术语进行可视化聚类分析;此外，Zhang J等[1]还利用多维尺度分析揭示了雅虎问答上与寨卡病毒相关话题的主题;Qiang X L等[34]利用多维尺度分析对包括新型冠状病毒在内的人类冠状病毒模式进行聚类。国内目前主要将多维尺度分析用于研究现状的可视化呈现，将其与突发公共卫生事件结合的相关研究较少，多维尺度分析是用来揭示话题主题的一个合适的分析工具，因此本研究主要采用多维尺度分析方法研究疫情期间社会化问答平台中的公众反应。

2.2 数据来源

选取知乎问答网站作为研究对象，因为知乎是国内最为广泛使用的社会化问答平台，截至2018年11月底，其注册用户达到2.2亿人，同比增长102%，生产出了约3 000万个问题和1.3亿个回答[35]。

对知乎上与新型冠状病毒肺炎相關的话题进行浏览和筛选后，最终选择问题质量相对较好的“新型冠状病毒”“新型冠状病毒肺炎”和“疫情影响”3个话题，利用Python爬取问答条目，爬取内容包括提问者ID、问题、提问时间、回答者ID、回答内容和回答时间。爬取数据的起始时间为3个话题下第一个相关问题提出的时间，即2020年1月20日，截止时间为爬取数据的当天，即2020年3月9日，共计230个问题，剔除2个重复问题，最后保留228个问题。需要注意的是，一些问题中包含两个分属不同类别的问句，编码细节将在内容分析部分提供。

2.3 数据处理

首先，按照公众关注的国内外疫情爆发的不同时间阶段，将数据分为两个阶段。其次，分别对两个阶段的问题进行处理：第一，由研究人员对两个阶段的问题进行编码;第二，将编码后得到的两阶段问题文本进行分词和去停用词处理。由于一些特殊的词汇切分后会导致其失去原本的含义，所以在分词处理过程中使用自定义词典以保留特殊词汇的含义，例如：“钻石公主号”“新冠核酸检测”“密切接触者”等，采用哈工大的停用词表去除停用词;第三，对两个阶段的关键词文本进行人工再处理，去除对主题分析没有作用的词语，并将含义明显相同的词语进行合并，例如“戴”和“佩戴”，“例”和“人/名”等;第四，将关键词文本进行处理得到共现矩阵，并将其转换为相异矩阵。最后，将相异矩阵作多维尺度分析的输入矩阵，得到的多维尺度分析图将在下一部分呈现。

3 结果分析

3.1 内容分析

为了对主题进行更好的可视化呈现，由两位研究人员对两个阶段的问题进行编码。首先，研究人员逐一分析原始问题和处理得到的关键词，概括出初始类别，然后将属于同一类别的问题做好标记，其中一些原始问题包含两个问句，且两个问句分属不同类别，这时将其作为两个文本单元同时放入两个类别中;其次，逐一分析完后发现所有问题大致可归为6类，并为其确定类别名，分别是“冠状病毒知识”（L1）、“疫情动态关注”（L2）、“药物研发与治疗”（L3）、“疫情影响对象”（L4）、“防控与疫情传播”（L5）、“公众观点与态度”（L6）;最后，再对确定好的类别进行总结，发现前3个类别为1个维度，后3个类别为1个维度，总共概括为2个维度，即“新冠病毒的相关信息”（W1）和“新冠病毒的社会影响”（W2）。问题编码示例如表1所示。为了确保编码的可信度，两位编码人员进行独立编码，并对结果不一致的问题进行协商，尽管最终仍有几个问题的类别难以统一，但编码信度值在95%以上。此外，为了确保编码员自身编码的一致性，时隔1周后研究人员进行二次独立编码，信度值均在97%以上，表明编码效果较好。

3.2 基于时间的问题数量变化分析

2020年1月20日是3个话题下首次出现相关问题的时间点，恰好也是国内疫情已经广泛引起公众关注的时间点，而2020年2月15日，国内疫情开始缓和，而国外疫情随着“钻石公主号”邮轮乘客确诊病例骤增，且多国开始出现病例逐渐爆发，故将数据按照这两个时间点分为两个阶段，各阶段起止时间及问题数如表2所示。第二阶段各维度的问题数总和之所以超过总问题数，是由于有5个问题条目中包含两个问句，且两个问句分属不同维度，因此将这5个问题同时放入两个维度中。

第一阶段问题数变化趋势如图1所示。该阶段问题数的几个较大峰值分别出现在1月23日、1月28日、1月31日、2月8日和2月13日，回顾疫情发生事件的时间线，发现这几个峰值出现的当天都有相对较多或有重要事件发生。选取峰值最大的两天具体讨论，1月23日主要有武汉疫情防控指挥部发布1号通告、武汉封城、三地启动重大突发公共卫生事件一级响应、火神山医院开建、五地确诊首例病例、河北出现湖北省以外首例死亡病例等9项重要事件;1月28日主要有习近平总书记会见世卫总干事谭德塞，政府针对防控物资、疫情救治和哄抬物价等社会现象作出的4项举措，全国累计确诊病例超过非典、中国医学科学院称蝙蝠是病毒起源、钟南山预测疫情高峰、新型冠状病毒mRNA疫苗研发立项等7项疫情消息，援鄂医疗队、捐款等3项疫情防控事件，以及世卫称新冠病毒疫情对全球构成高风险和赴中国了解疫情两项标志性事件，这一天共有16项牵动民众心弦的事件或消息，当天的问题数也是这一阶段中最多的。

第二阶段问题数变化趋势如图2所示。该阶段问题数的几个较大峰值分别出现在2月25日、2月28日、3月4日、3月6日和3月8日，回顾疫情发生事件的时间线，发现这几个峰值出现的当天也发生了相对较多的重要事件。具体讨论峰值中最大的两天，2月28日发生的重要事件或重要消息归纳起来主要有：政府针对开学、山东监狱事件等采取的4项举措，世卫上调风险级别、患者宠物狗的检验结果、韩国和意大利感染情况及“钻石公主号”等7项疫情消息，方舱医院、疫情上升趋势已得到遏制、累计治愈首超现有确诊病例数、乐观估计4月底可摘口罩等7项正向消息，这一天共有18项重要消息，其中世卫上调风险级别和全国累计治愈首超确诊是标志性事件。3月6日，习近平发表重要讲话、预计快递恢复时间两项政府行动，医务人员无感染报告、31省新增降至两位数、药物与疫苗等6项正向消息，以及世卫表示宠物犬与病毒传播无密切关联、全球感染状况等6项疫情消息，这一天共有14项重要消息。

综上所述，两个阶段中问题数峰值的当天都发生了较多的重大事件。第一阶段问题数变化起伏较大，与第一阶段相比，第二阶段变化相对平稳。

3.3 多维尺度分析

将各阶段各维度的相异矩阵作为输入矩阵，进行多维尺度分析。

第一阶段维度1（新冠病毒的相关信息）的可视化分析如图3所示。该分析的拟合度指标值：Stress=0.18160，RSQ=0.84571，表明拟合效果较好。图中红色节点为该阶段维度1中的类别1（冠状病毒知识），这一类别主要是与冠状病毒本身相关的问题，例如“新型冠状病毒是SARS的变异体吗？”，是人们对新冠病毒的来源及病毒特征等方面的关注;橘色节点为该阶段维度1中的类别2（疫情动态关注），是人们对病毒感染及相关状况的关心，其典型问题如“新型冠状病毒真实感染人数和死亡人数是多少，请用数据说明？”;绿色节点为维度1中的类别3（药物研发与治疗），该类别是人们对药物研发与病例治疗状况的关心，典型问题如“如何看待四川媒体报道四川省医院团队‘研究发现克力芝有可能应用于治疗新型冠状病毒？”。各类别包含的主题词如表3所示。

图中各颜色节点的数量便是其对应类别受关注程度的直观呈现。“疫情动态关注”和“药物研发与治疗”的节点很多，而“冠状病毒知识”的节点较少。由于病毒感染的趋势迅猛，人们对感染状况十分关心，而药物研发与病患的治疗状况是控制疫情的主要指标，因此也备受关注。此外，从主题词可看出，这一阶段人们对疫情的关心主要集中在国内地区，这可能很大程度上是由于这个时间段是国内疫情爆发较严重的时期。

第一阶段维度2（新冠病毒的社会影响）的可视化分析如图4所示。该分析的拟合度指标值Stress=0.20867，RSQ=0.75950，表明拟合效果一般。图中黄色节点为该阶段维度2中的类别4（疫情影响对象），这类问题是关于疫情对哪些方面造成了什么影响，例如学生关心因为疫情何时能开学？考试会不会受到影响？上班族关心什么时候开始上班？上班形式是什么等;蓝色节点为维度2中的类别5（防控与疫情传播），主要是人们对病毒传染的控制措施的关心，例如应该如何消毒？戴什么口罩能有效防止病毒传染等;紫色节点是维度2中的类别6（公众观点与态度），这类问题主要是人们对他人如何看待疫情期间发生的社会事件的关注，例如“如何看待现阶段疫情如此严重，农村一老人去世，家属依然要求所有亲戚不管是不是在村里的都要来参加葬礼？”。各类别包含的主题词如表3所示。

该阶段类别1（冠状病毒知识）和类别6（公众观点与态度）的节点数较少，其中一种解释是由于这两个类别的问题数相对较少，很多能反映主题的词语词频低于2，因此没有发生共现现象而被排除在分析范畴外。此外，这两个类别与其他类别的界限不是很明确，这可能部分是由于问题中的主题词与其他类别中的主题词有重叠。例如：“病毒存活失活灭活死亡到底是什么意思？”（属于维度1的类别1）与“面对新病毒，疫苗研制究竟需要多久？”（属于维度1的类别3），两个问题属于不同的类别，但却有共同的主题词“病毒”。

如表3所示，第一阶段维度1中主题词共42个，占该阶段主题词的44.7%，其中类别1有7个，类别2有21个，类别3有14个，分别占维度1主题词的16.7%、50%和33.3%;维度2中主题词共52个，占该阶段主题词的55.3%，其中类别4有18个，类别5有26个，类别6有8个，分别占维度2主题词的34.6%、50%和15.4%。由此可见，在第一阶段期间，维度1中人们更关心“疫情动态”方面的问题，维度2中人们更关注病毒的“防控与传播”，该现象的其中一个现实解释为该阶段病毒感染趋势迅猛，恐慌情绪驱使人们关注病毒的传播状况，而防控传播与疫情得到控制密切相关，因此也备受关注。

第二阶段维度1的可视化分析如图5所示。该分析的拟合度指标值：Stress=0.13617，RSQ=0.88790，表明拟合效果较好。图中红色节点为该阶段维度1的类别1（冠状病毒知识），橘色节点为类别2（疫情动态关注），绿色节点为类别3（药物研发与治疗）。该阶段人们对疫情动态的关心主要集中在海外地区，这是由于这一阶段正值国外疫情爆发时期。各类别包含的主题词如表4所示。

第二阶段维度2的可视化分析如图6所示。该分析的拟合度指标值：Stress=0.17212，RSQ=0.83840，表明拟合效果较好。图中黄色节点为该阶段维度2的类别4（疫情影响对象），蓝色节点为类别5（防控与疫情传播），紫色节点为类别6（公众观点与态度）。每个类别包含的主题词情况如表4所示。

由表4可知，第二阶段维度1的主题词共32个，占该阶段主题词的46.4%，其中类别1有3个，类别2有20个，类别3有9个，分别占维度1主题词的9.4%、62.5%和28.1%;维度2的主题词共37个，占该阶段主题词的53.6%，类别4有6个，类别5有26个，类别6有5个，分别占维度2主题词的16.2%、70.3%和13.5%。由此可见，在第二阶段期间，维度1中人们同样更关注疫情动态，而对冠状病毒知识的关注占比降得更低了，该现象的现实解释之一可能是人们在疫情爆发的初期已经初步了解了病毒的来源及特征等信息，因此，这一阶段其关注程度就随之降低;维度2中人们仍然更关注防控与疫情传播。此外，由于該阶段是国外疫情开始爆发的时期，人们对疫情影响对象的关注重心发生转移，即从第一阶段疫情对国内生活和社会的影响转移到多国爆发疫情对世界经济和社会等方面的影响。

如上文所述，互联网公众关注的主题主要集中在6个类别上，即“冠状病毒知识”“疫情动态关注”“药物研发与治疗”“疫情影响对象”“防控与疫情传播”以及“公众看法与态度”。其中，最受关注的是“疫情动态关注”和“防控与疫情传播”两个类别，但在疫情爆发的不同时期，公众对疫区的关注重心随之转移，且对影响对象的关注点也在转移。

3.4 情绪分析

现实社会中的许多问题都与情感和情绪有关，社会情感安全也是舆情治理的重要因素。利用基于情感词典的情绪分析工具对与问题相对应的回答进行情绪分析。该工具根据文本中的情感词确定得分正负，程度副词确定权值，若有感叹号或问号等重要标点则加上其对应的分值，以“[正面分值，负

面分值]”这样的数组形式存储文本的情绪得分，然后通过比较正面和负面得分值大小获得情绪倾向，最后再由研究人员逐一检查，将得分离群值更改后进行统计。情绪得分值中，1代表积极情绪，-1代表消极情绪，0代表中立。与第一阶段的134个问题相对应的回答共344条，与第二阶段的94个问题相对应的回答共243条。两阶段的情绪倾向频次分布如图7所示。

如图7所示，第一阶段的回答条目中，中立情绪出现的频次最多，消极情绪次之，积极情绪、消极情绪和中立情绪的回答分别占18.3%、35.2%和46.5%;第二阶段中，同样是中立情绪频次最多，消极情绪次之，积极情绪、消极情绪和中立情绪的回答分别占17.3%、33.3%和49.4%。其主要原因可能是公众关心的如何防范及疫情状况等主要问题的回答大都是客观回答或数据，因此，情绪以中立为主。

第一阶段和第二阶段的回答中，情绪极性的分布大致相同。总体而言，两个阶段的回答文本中，积极情绪都是出现频次最低的，这体现了公众在重大突发公共事件中的真实反应，即积极情绪较为低迷。第二阶段积极情绪回答的占比降低1%，消极情绪回答的占比降低1.9%，而中立回答的占比提升2.9%，消极情绪回答的占比降低幅度比积极情绪回答的占比的降低幅度稍大，同时中立回答的占比在提高，这表明公众情绪的整体走向积极。

4 讨论与展望

4.1 结 论

本研究将多种方法用于分析知乎平台上与新型冠状病毒肺炎相关话题的主题内容及情绪极性。利用Python获取问答文本数据，运用多维尺度分析对公众关心的主题进行可视化呈现，使用基于情感词典的情绪分析工具对回答文本进行情绪分析。研究结果表明，公众关注主题方面，知乎平台上与新型冠状病毒肺炎相关的3个话题下，人们关心的主题集中在“冠状病毒知识”“疫情动态关注”“药物研发与治疗”“疫情影响对象”“防控与疫情传播”“公众观点与态度”这6个类别上。两个阶段中公众均更加关注“疫情动态和防控传播”，但第一阶段的关注重心为国内地区，随着疫情时期的变化，第二阶段关注重心转移到国外地区上。此外，值得注意的是第二阶段人们对疫情影响对象的关注点也发生了转移。两阶段相比之下，第二阶段公众对“冠状病毒知识”的关注降低，这可能是由于在第一阶段公众已经初步掌握了该方面的信息;而对“疫情动态关注”和“防控与疫情传播”的关注占比上升，其原因可能是虽然第二阶段国内疫情稍缓和，但国外疫情却开始大爆发。问题数分布方面，问题数峰值当天均发生了较多的热点事件或发布了重要消息;与第一阶段相比，第二阶段的问题数变化趋势相对平稳。公众发表言论中的情绪极性方面，第一阶段和第二阶段的情绪分布大致相同，中立情绪出现频次最多，消极情绪次之，积极情绪第三，这表明公众的积极情绪相对低迷，第二阶段相比第一阶段的变化表明，公众的情绪整体走向积极，该结论与Worrall A等[29]对新浪微博上公众情绪变化趋势的研究结论一致。

此外，研究发现公众不仅仅对疫情、病毒、症状及治疗等感兴趣，还对社会生活、疫情期间其他用户对发生的消极社会事件的观点态度等感兴趣。关键词的聚类体现了其间的关联关系，进而反映了同类用户在信息需求方面的相似性，这种关联关系可以作为丰富医学词库条目的依据，还可以帮助完善此类分类系统。

4.2 启示与建议

该研究从理论层面上看，将多维尺度分析方法用于研究社会化问答平台上突发公共卫生事件中公众关心的主题，丰富了国内外的相关研究，其发现的术语、关系和模式也可以丰富现有与新冠病毒肺炎相关的医学同义词典、主题词和分类系统。该研究方法对今后突发公共卫生事件背景下社会化问答平台的内容主题分析有一定的启示，能够为社会化媒体做好突发公共卫生事件中的舆论引导提高理论高度。从实践层面上看，研究结果有助于决策部门掌握互联网公众的关注内容、关注点的转移情况以及内容中包含的情绪走向，以便部门做出具有针对性的专业解答与回应，重视情绪监测与情绪的反馈作用，建立社会公众情感安全系统，缓解公众的焦虑和恐慌情绪。

针对上述研究结论，本研究为突发公共卫生事件的相关部门提出以下建议：第一，对疫情相关信息的公布可采取多元化的渠道，尤其是抖音、快手等新兴起的短视频App，但对其信息质量应严格把控;第二，相关部门可及时向公众公布防控病毒感染的小知识，并对一些所谓“偏方”的谣言及时采取辟谣行动，例如“吃大蒜可有效抑制新冠病毒”“多喝烫水，因为病毒能被高温杀死”等;第三，公众在疫情迅猛爆发时期对疫情影响对象的关注，一定程度上反映了人们的紧张和担忧内容，相关部门可以针对人们的关注点，多渠道宣传政府的相关举措以缓解人们的担忧;第四，可倡导公众关注国家正规新闻媒体发布的真实信息，不听信谣言，积极传播正向情绪，还可以开设一些缓解心理焦虑的公开视频课程，以缓解公众的紧张情绪;此外，可根据关键词间的关联关系来丰富百度等搜索引擎的检索词条，增强其内部性能，以便用户在输入1个或多个检索词时，搜索引擎能够提供其他的相关检索词。

4.3 局限与展望

首先，本研究仅分析了知乎问答平台上3个相关话题下2020年1月20日至3月9日的问答数据，导致有的类别的问题数量不足，从而将一些能够反映相关主题的词语排除在分析范围外，未来可以对其他平台的数据进行分析，同时扩大研究样本量，以期更全面地反映公众关注的主题。其次，由于在问题文本处理的过程中涉及关键词的人工再处理和人工编码处理，因此具有一定的主观性，未来可以探究新的处理方式以降低主观性偏差。再次，由于是利用基于情感词典的工具对回答文本进行情绪分析，其局限在于只能通过文字表达判断其感情，而忽视了语境因素，因此会产生一定的偏差，未来在情绪分析前可先进行语料训练，以期提高类似文本情绪分析的准确率;此外，未来还可进一步探究回答中的情緒对用户采纳该问答的影响。最后，本研究的数据样本仅涉及了问答内容，并未包含用户信息，后续可将用户信息纳入研究范围中，研究不同特征的用户在关注主题上的差异。

参考文献

[1]Zhang J，Chen Y，Zhao Y，et al.Public Health and Social Media：A Study of Zika Virus-related Posts on YahooAnswers[J].Journal of the Association for Information Science and Technology，2020，71（3）：282-299.

[2]Bae B J，Yi Y J，Cheung C.What Answers Do Questioners Want on Social Q & A？User Preferences of Answers About STDs[J].Internet Research，2017，27（5）：1104-1121.

[3]安璐，欧孟花.突发公共卫生事件利益相关者的社会网络情感图谱研究[J].图书情报工作，2017，61（20）：120-130.

[4]中华人民共和国中央人民政府.习近平：在中央政治局常委会会议研究应对新型冠状病毒肺炎疫情工作时的讲话[EB/OL].http：//www.gov.cn/xinwen/2020-02/15/content_5479271.htm，2020-02-15.

[5]Oh S.The Characteristics and Motivations of Health Answerers for Sharing Information，Knowledge，and Experiences in Online Environments[J].Journal of the American Society for Information Science & Technology，2012，63（3）：543-557.

[6]Mcinnes C J，Hornmoen H.‘Add Twitter and Stir：The Use of Twitter By Public Authorities in Norway and UK During the 2014-15 Ebola Outbreak[J].Observatorio，2018，12（2）：23-46.

[7]Yi Y J.Sexual Health Information-seeking Behavior on a Social Media Site：Predictors of Best Answer Selection[J].Online Information Review，2018，42（6）：880-897.

[8]Westbrook L，Zhang Y.Questioning Strangers About Critical Medical Decisions：“What Happens if You Have Sex Between the HPV Shots？”[J].Information Research，2015，20（2）：1-12.

[9]Ji Z，Zhang Y，Xu J，et al.Comparing Cancer Information Needs for Consumers in the US and China[J].Studies in Health Technology and Informatics，2017：126-130.

[10]Alasmari A，Zhou L.How Multimorbid Health Information Consumers Interact in an Online Community Q&A Platform[J].International Journal of Medical Informatics，2019，131：1-5.

[11]Chung J E.Retweeting in Health Promotion：Analysis of Tweets About Breast Cancer Awareness Month[J].Computers in Human Behavior，2017：112-119.

[12]Paskuda M，Lewkowicz M.Anonymity Interacting with Participation on a Q&A Site[J].Ai & Society，2017，32（3）：369-381.

[13]鄧胜利，管弦.基于问答平台的用户健康信息获取意愿影响因素研究[J].情报科学，2016，34（11）：53-59.

[14]于申.在线知识问答用户付费意愿影响因素研究[D].武汉：武汉大学，2017.

[15]陆泉，刘婷，邓胜利.基于社会资本理论的社交问答用户健康信息行为研究[J].图书情报工作，2019，63（17）：118-127.

[16]Robillard J M，Whiteley L，Johnson T W，et al.Utilizing Social Media to Study Information-Seeking and Ethical Issues in Gene Therapy[J].Journal of Medical Internet Research，2013，15（3）：1-7.

[17]Ohigashi A，Ahmed S，Afzal A R，et al.Breast Cancer Information Communicated on a Public Online Platform：An Analysis of‘Yahoo！Answer Japan[J].Journal of Primary Health care，2017，9（2）：167-172.

[18]Kim S，Pinkerton T，Ganesh N，et al.Assessment of H1N1 Questions and Answers Posted on the Web[J].American Journal of Infection Control，2012，40（3）：211-217.

[19]Sharon A J，Yomtov E，Baramtsabari A，et al.Vaccine Information Seeking on Social Q&A Services[J].Vaccine，2020，38（12）：2691-2699.

[20]Zhang J，Zhao Y，Dimitroff A，et al.A Study on Health Care Consumers' Diabetes Term Usage Across Identified Categories[C]//Aslib Journal of Information Management，2014，66（4）：443-463.

[21]Oh S，Zhang Y，Park M S，et al.Cancer Information Seeking in Social Question and Answer Services.Identifying Health-related Topics in Cancer Questions on Yahoo！Answers[J].Information Research，2016，21（3）：1-8.

[22]Cai H，Li Z，Yan C，et al.A Shallow Neural Network Based Short Text Classifier for Medical Community Question Answering System[C]//IEEE International Conference on Cyber Technology in Automation Control and Intelligent Systems，2018：1537-1541.

[23]Paul M J，Dredze M.Discovering Health Topics in Social Media Using Topic Models[J].PLOS ONE，2014，9（8）：1-11.

[24]Byrd K，Mansurov A，Baysal O.Mining Twitter Data for Influenza Detection and Surveillance[C]//International Workshop on Software Engineering in Healthcare Systems.ACM，2016：43-49.

[25]Ji X，Chun S A，Geller J，et al.Monitoring Public Health Concerns Using Twitter Sentiment Classifications[C]//IEEE International Conference on Healthcare Informatics，2013：335-344.

[26]Zhao Y X，Cheng S X，Yu X Y，et al.Chinese Public's Attention to the COVID-19 Epidemic on Social Media：Observational Descriptive Study[J].Journal Of Medical Internet Research，2020，22（5）：1-8.

[27]Chu S K，Huang H，Wong W N，et al.Quality and Clarity of Health Information on Q&A Sites[J].Library & Information Science Research，2018：237-244.

[28]Oh S，Worrall A.Health Answer Quality Evaluation By Librarians，Nurses，and Users in Social Q&A[J].Library & Information Science Research，2013，35（4）：288-298.

[29]Worrall A，Oh S.The Place of Health Information and Socio-emotional Support in Social Questioning and Answering[J].Information Research，2013，18（3）：1-26.

[30]Bae B J，Yi Y J.Identification and Comparison of the Persuasive Elements Present in“Best Answers”to STD-Related Questions on Social Q&A Sites：Yahoo！Answers（United States）Versus Knowledge-iN（South Korea）[J].International Journal of Communication，2019，13：2516-2534.

[31]Lee J L，Decamp M，Dredze M，et al.What are Health-related Users Tweeting？A Qualitative Content Analysis of Health-related Users and Their Messages on Twitter[J].Journal of Medical Internet Research，2014，16（10）：1-9.

[32]Karahan ，Yürekli A，zcmert R，et al.Who Tweets About Diabetic Foot on Twitter and Which Tweets Are More Attractive？[J].International Journal Of Lower Extremity Wounds，2020，19（3）：251-254.

[33]Zhang Z，Bors G.“Less is more”：Mining Useful features from Twitter User Profiles for Twitter User Classification in the Public Health Domain[J].Online Information Review，2019，44（1）：213-237.

[34]Qiang X L，Xu P，Fang G，et al.Using the Spike Protein Feature to Predict Infection Risk and Monitor the Evolutionary Dynamic of Coronavirus[J].Infectious Diseases of Poverty，2020，9（1）：1-8.

[35]華尔街见闻.知乎官宣用户数突破2.2亿同比增长102% 商业化或加速[EB/OL].https：//baijiahao.baidu.com/s？id=1619 733215962241212&wfr=spider&for=pc，2018-12-13.

（责任编辑：孙国雷）