社交媒体过载与健康错误信息传播：潜在机制研究

电信和信息学报告8（2022）100020将社交媒体过载与健康错误信息传播联系起来：对潜在机制吴曼丽，裴一鸣武汉市珞喻路1037号华中科技大学新闻与信息传播学院aRT i cL e i nf o保留字：社交媒体超载健康误导信息传播健康焦虑EX haustiona b sTR a cTCOVID-19期间社交媒体上错误信息的流行导致信息流行病的出现。尽管人们认识到过度使用社交媒体会导致错误信息的传播，但缺乏对社交媒体过载与健康错误信息传播之间关系的理论为了填补这一研究空白，本研究建立了一个综合模型，通过调查潜在机制来研究社交媒体过载如何影响个人的健康错误信息传播。本研究采用问卷调查的方法收集资料，并对研究假设进行验证。结果表明，信息过载、沟通过载和社交过载会影响个体的健康焦虑和疲惫，进而影响健康错误信息的传播。在理论上，本研究揭示了社会媒体过载和健康错误信息传播之间关系的机制。在实践中，这项研究提供了对社交媒体使用管理的见解1. 介绍社交媒体已成为寻求和分享健康信息的流行平台[1]。据报道，约77.3%的中国人在COVID-19大流行期间收到、回应并受到在线健康信息的影响[2]。 然而，由于社交媒体上信息来源的中断，健康错误信息的问题变得突出[3]。 社交媒体上健康错误信息的流行影响了个人的鉴于社会媒体上大量的健康错误信息及其破坏性后果， 我国的健康误导信息传播有待发展。健康错误信息是指与健康相关的声明没有得到现有科学证据的支持，因此被视为虚假[5，6]。在社交媒体上，大量的健康信息是由普通用户而不是医疗专业人员创建和传播的[3]。虽然现有的研究已经描述了健康错误信息的普遍性[1]，研究了健康错误信息的传播方式[7]，并设计了检测错误信息的方法[6]，但还需要更多的研究来解决普通社交媒体用户传播健康信息的利用社交媒体传播错误信息自COVID-19爆发以来，社交媒体平台上流传着大量有关疫情的信息，导致*通讯作者。电子邮件地址：mlwu@hust.edu.cn（M. Wu）.https://doi.org/10.1016/j.teler.2022.100020信息的出现[8]。由于个人依赖社交媒体获取与流行病相关的信息和沟通[9]，他们可能会因使用社交媒体而感到超负荷。之前的研究调查了社交媒体过载与行为的关系，如不连续使用[10]、社交媒体成瘾[11]、工作满意度[12]和等等。最近，研究人员开始讨论社交媒体过载如何吸引在线错误信息共享，特别关注信息过载[4，13]。然而，个人使用社会媒体不仅是为了获取信息，也是为了交流和社会化[14]。值得注意的是，中国人非常重视人际关系[15]。而且情况在疫情期间，由于公民的流动性受到限制，个人通过社交媒体与他人沟通和社交，这一点很明显。因此，通信过载和社交过载也应该被强调为社交媒体使用的重要方面。为了填补上述研究空白，本研究旨在解决以下问题：社交媒体过载（即信息过载、沟通过载和社交过载）针对上述研究问题，本研究提出并验证了一个健康错误信息传播的综合研究模型，通过说明社会媒体过载和个人错误信息共享之间的关系的机制。 具体而言，本研究借鉴了社交媒体过载文献和压力应对理论，并提出社交媒体过载导致用户接收日期：2022年2月28日;接收日期：2022年7月22日;接受日期：2022年10月5日2772-5030/© 2022作者。由Elsevier B. V.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表电信和信息学报告期刊主页：www.elsevier.com/locate/telerM. Wu和Y. 裴电信和信息学报告8（2022）1000202参与不同的应对策略，从而影响他们的错误信息传播。通过对285名活跃的社交媒体用户的调查方法对假设进行了实证检验。从理论上讲，本研究通过考虑社交媒体过载的影响，补充了现有的错误信息共享研究。在实践上，本研究为社会化媒体使用管理和健康信息传播行为规范提供了启示。2. 理论背景2.1. 社交媒体健康误导问题因其在人们日常生活中的重要性而受到从业者和研究者的关注。随着COVID-19成为全球大流行病，各种社交媒体平台上涌现大量有关其原因、后果、预防及治疗的报道及文章。与此同时，有关COVID-19的健康错误信息变得普遍。COVID-19的特点使其成为研究健康错误信息共享的合适背景。首先，由于其高传染性，COVID-19已成为全球关注。个人更愿意获得有关疫情的信息，这为快速传播COVID-19信息创造了机会。第二，大流行及其治疗存在很大的不确定性。信息的模糊性使人们很难区分真假信息。 第三，由于COVID-19的威胁很大，公众被焦虑、担忧和恐惧所淹没，这驱使人们分享信息以缓解情绪[13]。近年来，人们越来越关注社交媒体上虚假信息传播的道德方面。现有文献研究了信息素养、在线信任、信息可信度等因素作为个体错误信息传播行为的前因这些研究过于强调个体尽管已经认识到社交媒体的使用可能会加剧健康错误信息共享的问题[13]，但之前的研究主要将社交媒体视为研究背景，而不是调查的焦点工件[13，19，20]。因此，有必要探讨社交媒体的使用如何导致健康错误信息的共享。此外，先前的研究强调了几个心理因素，如网络条件[13]，恐惧[7]，社交媒体疲劳[21]和健康焦虑[22]，作为COVID-19期间健康错误信息传播的预测因素。然而，关于社交媒体使用和错误信息传播背后的心理过程的实证研究并不多见，值得进一步研究。2.2. 社交媒体超载随着社会化媒体的渗透，社会化媒体超载现象变得司空见惯。社交媒体的密集使用会给用户的认知和社交资源造成负担社交媒体过载描述了社交媒体环境的需求超过个人能力所能应对的情况伴随COVID-19的信息流行病驱使人们面对过多的信息[4]。这表明，超负荷的个体可能会经历较少的自我控制，并且不太可能进行详细的信息处理[13]。因此，社交媒体过载是用户健康错误信息传播的一个可能解释当前文献倾向于将社交媒体过载分为信息过载、通信过载、社交过载和技术过载[10，11，23，25]。事实上，社交媒体的运作 对大多数用户来说很容易，这表明没有技术负载[23]。信息过载是一种状态，在这种状态下，个人接收的信息超过了他们能够处理的信息[26]。在COVID-19大流行期间，健康相关信息在社交媒体上盛行[27]。在这种情况下，人们面对的是超模糊的信息，这就使得人们很难区分信息的真假通信过载是指社交媒体平台上的其他用户发起的通信和对话请求超出了个人由于COVID-19的威胁及对公民流动性的限制，人们依赖社交媒体进行在线沟通。一旦沟通需求超出了个体的注意力资源，就会当用户有许多社交请求需要处理并且需要在社交媒体平台上提供许多社交支持时，就会发生社交过载[25]。与大流行病相关的焦虑和恐惧促使人们寻求社会支持以适应这种情况。从这个意义上说，社交媒体用户可能不得不提供太多的社交支持[30]，如果处理不当，可能会导致社交过载[24]。本研究将社会媒体超载概念化为三个维度--信息超载、沟通超载和社会超载，并基于以下原因考察这些维度与健康误导信息传播的关系。首先，个人不仅使用社交媒体获取流行病相关信息，而且还依赖社交媒体进行交流和维持社会联系[14]。社交媒体的密集使用带来了信息负担，并对用户提出了沟通和社交需求[23]。其次，先前的研究强调了信息过载在错误信息传播中的作用[4，13]。然而，当用户是主动信息寻求者时，信息过载发生，而当用户是被动响应者时，通信和社交过载出现[23]。此外，交往过载对个体的认知能力提出了更高的要求因此，在本发明中，三种类型的过载对错误信息的影响各不相同传播。2.3. 压力应对理论压力应对理论最初是为了解释个人需要经历的过程，以产生适当和有效的适应行为来应对压力情况[31]。先前的工作已经应用了压力应对的框架来解释社交媒体使用中的压力事件[24，25]。压力反映了对个人提出的要求超过他们所能应付的情况[32]。社交媒体过载被认为是一种典型的压力源，可以影响用户信息过载、通信过载和社会过载有着不同的根源[25]，它们对个人因此，他们可能会在紧张的情况下扮演不同的角色。根据压力应对理论，个体会选择一定的应对策略来应对压力。通常检查两种类型的应对策略：以问题为中心的应对策略和以情绪为中心的应对策略[31]。以问题为中心的应对策略旨在揭示压力的原因，并采取行动解决问题的具体方面。以情绪为中心的策略是在不改变压力源或问题本身的情况下，调节一个人当COVID-19爆发时，由于信息、沟通和社会负担，个人通常会被社交媒体的使用所淹没，并且不可避免地会出现对大流行的焦虑和恐惧等情绪[13，34]。在这种情况下，超负荷的个体倾向于采取以情绪为中心的策略来应对社交媒体带来的压力。 因此，这项研究认为，情感-中心战略作为基本机制，并探讨如何社交媒体过载与个体的健康焦虑和焦虑有关M. Wu和Y. 裴电信和信息学报告8（2022）10002033. 假设发展Fig. 1. 研究模型。超载。疲劳是使用社交网络服务时对疲劳的主观自我评价[28]。个人经验信息本文建立了一个研究模型，以了解COVID-19期间社交媒体过载下个人健康错误信息的传播。研究模型如图所示。1.一、3.1. 社交媒体超载对健康焦虑的影响COVID-19的到来促使人们比以往任何时候都更加关注与健康相关的话题。在进行信息消费时，个体可能会在社交媒体上遇到各种矛盾和模糊的健康信息，从而引发健康焦虑感[35]。在COVID-19的背景下，情况更为明显。健康焦虑描述了个体一方面，社交媒体充斥着关于流行病的信息，人们更倾向于关注负面信息[37]。因此，当人们接触到广泛的流行病相关信息时，更容易产生焦虑和恐惧等负面情绪[13]。另一方面，健康资讯通常涉及专业知识，词汇晦涩难懂，一般人难以理解。与上述陈述相一致，当人们面对大量的健康信息时，他们可能会感到焦虑[38]。H1：信息过载与个人的健康焦虑呈正相关面对疫情，许多人参与在线交流，以及时获得有关疫情的信息由于任何人都可以成为社交媒体上的内容创建者[13]，因此无法确保通信质量。有时候，使用者可能会根据自己在人际交往中的理解，对官方发布的信息进行改编在这种情况下，更多的沟通表明人们更重视健康事件，这很可能导致健康焦虑[39]。H2：交流过载与个体的健康焦虑呈正相关当社交媒体用户有大量的社交请求需要处理时，社交过载就会发生[10]。在COVID-19大流行期间，特别是在封锁期间，人们通过在线社交互动关心他们的朋友和亲戚的健康状况[40]。由于对他人健康的关注而产生的社会负担H3：社交超载与个人的健康焦虑呈正相关3.2. 社交媒体超载对疲惫的影响除了健康焦虑，社交媒体用户还可能在面对社交媒体时当他们面对比他们能处理的更多的信息时，他们会超载[25]。来自各种来源的大量文本、照片和视频形式的健康信息对社交媒体用户此外，鉴于专业健康信息写作中隐藏的模糊细节，信息过载更有可能导致疲惫。H4：信息过载与个体的疲劳呈正相关。与此同时，用户需要在社交网络中进行交流和互动，频繁的交流带来的交流过载可能会影响用户一方面，用户需要花费时间和精力与他人沟通，过多的沟通可能会使他们感到疲劳;另一方面，频繁的沟通可能会占用个人H5：交流过载与个体的疲劳呈正相关在连接的社交网络中，用户通常关心其他持续接触社交媒体和频繁的社交互动需要用户及时响应社交请求，这可能会造成压力并导致疲惫感[10]。一些研究人员还提出，社会超载会破坏个人根据上述陈述，我们有以下假设。H6：社会过载与个体的自我实现呈正相关3.3. 错误信息传播的前因在COVID-19疫情期间，社交媒体发挥了重要作用，因为人们可以在社交媒体平台上实时获取健康信息，并可以随意使用这些信息。水平高的人健康焦虑的人更有可能参与在线健康信息寻求[43]。由于社交媒体平台缺乏专业的信息检查机制，因此存在真假信息的混合[17]。一旦人们对自己的健康感到焦虑，他们就会花太多的时间来处理自己的情绪，而很少注意信息处理。因此，高度健康焦虑的人倾向于在未经验证的情况下分享信息。H7：个体关于在社交媒体平台上分享错误信息，研究人员注意到负面情绪在错误信息分享中的作用。例如，Luo等人[7]揭示了对COVID-19的恐惧可以推动相关谣言的传播。由于社会的渗透M. Wu和Y. 裴电信和信息学报告8（2022）1000204在社交媒体中，使用社交媒体的用户无法完全离开社交媒体。相反，他们有选择地阅读信息，并可能陷入确认偏见，这与错误信息共享有关[18]。此外，疲惫的用户可能会避免在分享之前花费时间和精力来验证在线信息的真实性，这反过来可能会加剧错误信息的传播[44]。H8：个人信息传播。4. 研究方法4.1. 仪器开发和控制变量所有措施都是参照现有研究制定的我们采用了Laato等人[13]、Lin等人[24]和Fu等人[25]的信息过载、通信过载和社会过载的措施。等[10]。健康 焦虑的测量方法改编自 Lagoe和Atkin[45] 。Cao 和Sun[25]的工作适用于测量疲劳。为了衡量健康错误信息的传播，我们参考了Apuke和Omar[9]以及Laato等人[13]的工作。调查问卷采用7分制Likert量表。每个结构的测量工具列于附录中。此外，还考虑了几个控制变量，包括性别、年龄、教育和社交媒体使用经验。据报道，这些变量在先前的研究中在信息共享中发挥重要作用[15，19，20]。4.2. 数据收集我们采用网上调查收集数据。在数据收集之前，我们在研究生和两名助理教授的帮助下修改了问卷。在正式发放问卷前，进行了预测试，以确保问卷的有效性。表2表1的人口 信息的样本（n= 285）。人口统计计数（%）年龄18–2599人（34.7%）26–3076人（26.7%）31–4089人（31.2%）41–5011人（3.9%）50多10人（3.5%）性别女性190人（66.7%）男性95人（33.3%）使用体验少于6个月4人（1.4%）6个月-1年8人（2.8%）1年42人（14.7%）4119人（41.8%）7岁及以上112人（39.3%）教育高中或以下16人（5.6%）学院203人（71.2%）研究生以上学历66人（23.2%）信息共享频率少于3次21人（7.4%）391人（31.9%）1169人（24.2%）20多次104人（36.5%）工作状态全职工作183人（64.2%）学生71人（24.9%）自雇23人（8.1%）失业或退休5人（1.8%）别人3人（1.1%）我的天数据收集于2021年1月至2月进行，期间中国内地部分地区爆发COVID-19疫情，导致市民流动受限。于此期间，有关COVID-19疫情的各类错误信息于不同社交媒体平台传播。问卷通过中文在线调查平台（www.wjx.cn）发放.在调查开始时，我们描述了研究背景，并给出了健康错误信息的例子，以帮助受试者发展一个很好的了解研究情况。一个错误信息的例子是，双黄连可以治愈新冠病毒-19.受试者被要求报告他们在大流行期间最常使用的社交媒体平台以及他们分享信息的频率。确保受试者的舒适度，并鼓励受试者诚实地报告他们在COVID-19期间的近期感受和行为。共有285个有效答案。建议在结构模型中每个变量15至20个观察值是合适的[46]。由于本研究中有6个变量，因此至少120个响应是可接受的。因此，在本研究中，285份答复就足够了。样品5. 数据分析和结果本研究探讨了社交媒体超载和健康错误信息传播之间的联系，以及潜在的机制。选择基于偏最小二乘（PLS）分析的SmartPLS 3.0分析数据，因为该软件适用于探索性研究，对样本量要求较低[47]。此外，SmartPLS可以同时评估测量模型和结构模型[47]。5.1. 测量模型试验本研究首先检验了模型的收敛有效性。标准化因子载荷、复合可靠度（CR）以及平均标准物品装载。构建体项目是说STD加载CRAve信息过载IO14.781.1760.840.810.73IO24.311.3440.87IO34.241.3210.85通信过载（CO）CO15.071.0290.770.820.59CO24.841.1990.77CO35.271.1640.75CO44.661.2170.81CO54.371.2400.74社会超载（SO）SO15.291.2090.810.840.68SO24.771.2250.80SO34.861.2680.83SO45.031.0940.85EX haustion（EX）EX14.151.4460.930.880.81EX24.161.4880.90EX33.871.5320.87健康焦虑（HA）HA15.141.2570.780.830.66HA24.561.4020.85HA34.651.4170.79HA45.001.2950.83健康错误信息共享（HMS）HMS 13.721.4800.850.880.67HMS 23.521.4790.86HMS 33.421.6220.79HMS-44.011.5500.83HMS53.731.5430.75方差提取（AVE）被用来检查收敛效度。结果列于表2中。结果表明，所M. Wu和Y. 裴电信和信息学报告8（2022）1000205有项目负载都超过了0.7的基准。此外，所有结构的CR值均高于0.7，所有结构的AVE值均高于推荐值0.5[48]。 因此，该模型达到了令人满意的收敛效度。我们通过比较每个结构的AVE的平方根与其结构间相关系数来计算判别效度[48]。表3显示M. Wu和Y. 裴电信和信息学报告8（2022）1000206表3相关矩阵X.构建体IOCO所以HAEXHMS年龄性别教育EX经验信息过载0.85通信过载（CO）0.590.77社会超载（SO）0.420.620.82健康焦虑（HA）0.500.550.570.90EX haustion（EX）0.520.560.510.430.81健康错误信息共享（HMS）0.470.440.410.440.470.82年龄−0.21−0.18-0.07毫米−0.26负0.29−0.201.00性别0.090.070.030.100.070.03−0.201.00教育0.230.140.070.200.170.17−0.300.161.00使用体验0.05−0.020.070.15−0.04−0.100.090.030.151.00注：对角线数字（粗体）显示平均值的平方根图二. 结构模型的结果。AVE的所有平方根均大于结构间的相关系数，验证了判别效度。由于所有数据都是从调查方法中收集的，因此需要测试通用方法方差（CMV）。CMV的存在可能导致构建体之间的高相关性（例如，r>0.90）。构建体之间的最高相关性为0.62，如表3所示，表明不存在CMV。此外，我们采用Harman结果表明，单因子解释的最大方差仅为37.88%，表明CMV可能不是我们研究的主要关注点。还采用偏相关法[49]具体而言，我们在研究模型中增加了一个控制变量，即主成分因子分析中的最高因子。研究结果显示，纳入该控制变量未能显著改善我们研究模型的解释方差。因此，我们得出结论，CMV可能不会影响本研究的结果。为了检验模型中的自变量是否具有高度的相关性，本研究还评估了多重共线性。多重共线性可能是一个威胁，如果方差修正因子（VIF）变量的值超过10[50]。本研究计算了VIF，结果显示VIF值范围为1.558至3.075。因此，多重共线性在本研究中不是一个问题5.2. 假设检验通过计算模型中路径的通径系数和相应的p值来检验假设。结果如图2所示。总的来说，该模型解释了32.2%的方差 传播健康错误信息。标准化均方根残差（SRMR）为0.05，低于推荐值最大值为0.1[51]。该模型的归一化拟合指数（NFI）为0.88，接近0.9，表明该模型的拟合指数是可接受的[52]。在控制变量方面，年龄的影响（P=0.008，P> 0.05），性别（P=-0.098，p>0.05）和教育程度（P=0.103，p>0.05）对健康错误信息传播的影响不显著。经验对健康错误信息传播的影响为负且显著（P=-0.156，p0.01），表明具有较高社交媒体使用经验的个体不太可能在社交媒体上传播健康错误信息。

下载后可阅读完整内容，剩余1页未读，立即下载