开发新冠疫苗🤟🏿，并在全球范围内使用疫苗，成为了终结此次疫情的优先选项🚣。然而当全世界科学家及医学专家都在开发和测试新冠疫苗的同时，美国民众对于是否接种疫苗产生了不同的意见🐦。根据皮尤研究中心最近的一次调研[1]，今年5月，71%受调研的美国民众认为如果有疫苗🥗，他们将一定或可能进行接种。然而这一比例在今年9月骤降至51%。该调研指出，美国民众担忧的是疫苗的安全、有效性，以及疫苗的批准使用进程是否合规。

疫情如此严重🧪，美国民众对疫苗的接受度反而出现这种反复，不由得让人想知道个究竟♠️。美国罗切斯特大学罗杰波教授团队进行了一项基于社交媒体的相关研究🏃‍♀️，基于超过两万名推特用户在2020年9-11月期间发布的四万多条表达了对于疫苗态度的相关推特（从六百余万条使用关键词收集的推特中严格筛选），使用人机耦合机器学习框架🌂⟹，捕捉公众对于即将上市的新冠疫苗的态度。

本文发现，对疫苗持不同态度的人群比例变化大致与疫情相关事件相对应，并且美国东南地区对疫苗的接受度相对较低。为了研究公众态度的范围和起因，本文使用多类别逻辑回归，比较了这三组人的性别🚜🧚🏻‍♀️、年龄、社会资本🚴🏿‍♂️、收入、宗教、政治倾向、地理位置🤸🏿‍♀️、与疫情相关及不相关经历的情感、以及官方统计到的郡层面疫情严重程度，并发现了显著的区别。平均上于社会经济状况处于劣势的人群更容易持有极化意见（支持或反对）。对与疫情相关经历持有最负面情感的人群，往往更可能对疫苗持反对意见🧹🕵🏻。使用虚拟反事实分析🍳，本文发现美国民众在谈及潜在疫苗时，最关注的是安全、有效性已经政治因素🤦🏻。另外，改善民众与疫情相关的经历有利于提高对疫苗的接受度。本文在社交网络层面🍙，对公众对于即将上市的新冠疫苗的态度研究🈯️，有助于未来制定更为有效的疫苗接种政策与方案。

本文利用基于transformer的自然语言处理模型🌸，使用人机耦合机器学习框架，捕捉人们对于新冠疫苗的态度🌦，并将其分为三组：支持疫苗、犹豫🧜‍♀️、反对疫苗。提出三项假设☄️：

假设一💆🏽‍♀️：这三组人的性别😤、年龄💪🏽、社会资本🗻、收入🛁🕗、宗教、政治倾向、地理位置有差异。

假设二：个人与疫情相关的经历对其形成何种态度有影响。

假设三🙎🏽‍♂️：个人感知到的郡层面疫情严重程度对其形成何种态度有影响。

人机耦合机器学习框架

简单地说，本文先通过标注一部分推特所呈现出的对疫苗态度，然后将其作为训练集🌱，训练基于transformer的自然语言处理模型，并将其用于剩下的推特上🧬，推断剩下推特所表现的对疫苗态度。然而👨🏽‍🍼，不同于以往的研究👩🏼‍🦰，本文收集的推特中🔞，绝大多数都与表达对疫苗态度无关。由于本研究真正关心的是那些对疫苗表达态度的推特，所以找出这些有关推特是首先要面对的问题。同时👨🏿‍🍳，在训练时样本不均衡，将会不仅使人为标注的过程变慢，也会抑制训练出的分类器的表现。为解决这一问题，本文使用了人机耦合机器学习框架。

本文先从244,049推特中随机抽样2,000条不同的推特。三名研究者独立地阅读推特👩🏻‍🦯‍➡️，并判断该条推特是与表达态度不相关𓀓、支持疫苗、犹豫、反对疫苗四类中的哪一类。该条推特的类别将由三名研究者的投票结果产生。如果三人的标注的类别均不相同，那么将由三位研究者讨论🥯，给出最终结果。在进行五轮人机耦合标签后，最终训练样本包含4,500条不同的推特。

国家及州层面民众态度

美国民众对于疫苗态度的占比变化如图所示，其占比变化和与疫情相关的事件大致对应。总体上，57.65%支持疫苗🦷，19.30%持犹豫态度🧘🏿‍♀️，剩下的持反对疫苗态度🤵🏼。

美国民众对疫苗态度占比变化

州层面对疫苗态度如下图所示🂠。美国东南地区、俄亥俄州、印第安纳州与肯塔基州对疫苗持有一个相对低的支持态度😫。

美国各州对疫苗态度

本文还发现，内华达州、田纳西州以及华盛顿州支持疫苗的人群占比变化曲线与国家平均偏离最多。华盛顿州在9-11月期间🧑🏼‍🏫，支持疫苗的人群占比普遍比国家平均高🌺，而内华达州支持疫苗人群占比普遍比国家平均低。田纳西州支持疫苗人群占比变化较大🚶🏻‍♀️‍➡️。

女性更可能持犹豫态度👩🏼‍💼。比较犹豫和反对疫苗的人群，本文发现🤷🏽🥽，女性更有可能对疫苗持犹豫态度。比较犹豫和支持疫苗的人群，本文发现，女性更有可能对疫苗持犹豫态度👨‍🎓。

年龄越大，越支持疫苗。比较犹豫和反对疫苗的人群⬇️，本文没有发现统计意义上年龄的显著不同。然而在比较犹豫和支持疫苗的人群时🤛🏻，本文发现年龄越大的人，越有可能支持疫苗。这一发现与  Lazarus et al. (2020)的发现一致🧑🏻‍🦳。可能的解释是🈹，年龄大的人群感染新冠病毒后死亡风险更高🥐，避免感染新冠病毒的益处大于接种疫苗带来的风险🧬🕵️‍♀️。

使用推特模式不同的人群🤾🏿‍♀️，态度亦不同。拥有更多粉丝或更少好友或点更多赞的推特用户更可能持极化态度（支持或反对）。

所在的小组更多的推特用户更支持疫苗。发布推特数量更多的用户更可能持反对态度🧘🏿‍♀️。

收入较低的群体更可能持极化态度。比较犹豫和反对疫苗的人群，本文发现收入越低的群体，对疫苗越反对🛺。另外一篇论文，Lazarus  et al. (2020) 发现收入越高的人群越支持疫苗。本文发现收入的影响更细微📬。

宗教群体更可能持极化态度🧺。比较犹豫和反对疫苗的人群🖐🏿，以及犹豫和支持疫苗的人群后，本文发现宗教群体亦或更反对疫苗♈️、亦或更支持疫苗。这一发现与Larson  et al. (2014)吻合

政治倾向不同，对疫苗所持态度不同。比较犹豫和反对疫苗的人群，本文发现关注特朗普的人群更反对疫苗，关注拜登的人群更可能持犹豫态度👱‍♂️。比较犹豫和支持疫苗的人群，本文没有发现关注特朗普的人群统计意义的显著不同，然而本文发现关注拜登的人群更可能持犹豫态度🧑🏻‍🤝‍🧑🏻。

非城市居民更反对疫苗。虽然所居住地理位置在三组互相比较中，并没有统计意义不同，但本文在比较犹豫和反对疫苗两组人群中发现非城市居民统计意义上更可能反对疫苗。

个人在疫情期间的经历以及所在郡的疫情严重程度对其所持态度有影响。比较犹豫和反对疫苗人群🧔🏻‍♀️👁‍🗨，犹豫和支持疫苗人群中✖️，本文发现，个人对于在疫情期间的经历情感越积极，其对疫苗的态度越正面🏃‍♂️‍➡️。比较犹豫和支持疫苗的人群🛅，本文发现☂️，民众所在郡的疫情越严重👨‍🎓，民众越有可能持犹豫态度。

以上发现均验证了本文的三项假设。

讨论

通过多类别逻辑回归♥︎，本文发现支持、犹豫、反对三组人的人群特征显著不同✋👶🏿。女性更容易持犹豫态度👩‍👩‍👦🫷🏼。年龄越大，越支持疫苗🚣。社会资本不同的人群，所持态度不同。低收入群体对疫苗的态度更极化👩🏽‍🦱💂🏽。宗教群体对疫苗的态度更计划。政治倾向不同也会导致对疫苗态度的不同5️⃣。个人与疫情相关的经历和所在地区的疫情严重程度都对其对疫苗所持态度有影响。通过虚拟反事实分析👱🏽‍♂️👩‍👩‍👦‍👦，本文发现民众对疫苗的态度，与政治，疫苗安全及有效性相关。去除政治因素有助于提高疫苗接受度。去除安全及有效性因素不利于提高疫苗接受度。改善个人对疫情的相关经历有助于提高疫苗接受度🥜。

参考文献
[1]https://www.pewresearch.org/science/2020/09/17/u-s-publicnow-divided-over-whether-to-get-covid-19-vaccine/

本文作者🫳：

闾涵加，美国罗切斯特大学

王俊达，美国罗切斯特大学

吴玮，美国罗切斯特大学

Viet Duong，美国罗切斯特大学

张茜洋，美国艾克郎大学

Timothy D. Dye, 美国罗切斯特大学医学中心

罗杰波🫱🏻，美国罗切斯特大学

本文原题“Social Media Study of  Public Opinions on Potential COVID-19 Vaccines: Informing Dissent,  Disparities, and Dissemination”，已发布于arxiv👩🏿‍🏭。具体技术细节请参考原文。

原文链接🧸：https://arxiv.org/abs/2012.02165

本文由富达平台供稿🧔🏻，第一作者闾涵加为富达平台特约研究员