تجربه اعتماد در زمان بحران: مطالعه اعتماد به پست‌های شبکه‌های اجتماعی در دوران کرونا

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی پزشکی، دانشگاه صنعتی همدان، همدان، ایران

2 استادیار گروه مهندسی کامپیوتر، دانشگاه صنعتی همدان، همدان، ایران

3 دانش‌آموخته دکتری جامعه‌شناسی، دانشگاه تهران، تهران، ایران

10.22034/jscc.2024.19795.1072

چکیده

زمینه و هدف: در مواجهه با بحران کرونا، تنوع گسترده‌ای از افکار، احساسات، و نگرش‌ها در شبکه‌های اجتماعی به چشم می‌خورد. این تحقیق برای درک جامع از رفتارها و نگرش‌های جامعه، به تحلیل محتوای داده‌های شبکه‌های اجتماعی به زبان فارسی و مرتبط با کرونا پرداخته است. هدف این مقاله ارزیابی تغییرات الگوها و رفتارهای اعتمادسازی و اعتمادزایی در شبکه‌های اجتماعی در دوران کرونا است. تحلیل احساسات در شبکه‌های اجتماعی و اینکه چگونه افراد با اشتراک‌گذاری نظرات، دیدگاه‌ها، احساسات و نگرش‌های خود در قالب پست‌ها، توییت‌ها و محتواهای متنی دیگر واکنش نشان می‌دهند، می‌تواند به درک روشن‌تری از الگوهای اجتماعی موجود در زمینه اعتماد به منابع پیام و مرجعیت‌های خبری، به‌ویژه در شرایط مواجهه با بحران‌ها، کمک نماید.
 
روش و داده‌ها: تحقیق حول تحلیل محتوای داده‌های شبکه‌های اجتماعی با استفاده از روش خوشه‌بندی دومرحله‌ای صورت گرفته است. نتایج خوشه‌بندی با بهره‌گیری از نظریه‌های ارتباطات مخاطره و بحران و ارتباطات اثربخش تحلیل شده و وضعیت شاخص اعتماد در هر خوشه بررسی شد.
 
یافته‌ها: با توجه به اهمیت فرهنگ اعتماد در قبول یا رد پیام‌ها، وضعیت شاخص اعتماد در خوشه‌ها بررسی شد. نتایج نشان می‌دهند که پیام‌های منتشر شده از طریق اینستاگرام و سایت‌های خبری در هر خوشه مورد اعتماد قرار گرفته‌اند.
 
بحث و نتیجه‌گیری: نتایج نشان می‌دهد که ارسال پیام‌های مرتبط با کرونا از سوی مراجع حوزه بهداشت و سلامت می‌تواند اعتماد مثبت جامعه را به‌دنبال داشته باشد. با این وجود، اعتماد مثبت به حوزه بهداشت و سلامت کمتر از حوزه اجتماعی فرهنگی است. برای ارسال پیام‌های مرتبط با وضعیت بهداشت، توصیه می‌شود از گفتمان‌های غیرسیاسی استفاده شود.
 
پیام اصلی:  این پژوهش نشان می‌دهد پست‌های منتشر شده از طریق اینستاگرام و کانال‌های خبری، اثرگذارتر هستند.  همچنین فعالان اجتماعی نقش بسیار مهمی در ایجاد یا تضعیف اعتماد مخاطبان به سندها دارند. شناخت الگوهای اجتماعی مرتبط با تجربه اعتماد در شرایط بحرانی که در آن اطلاعات ضد و نقیض گسترده‌ای وجود دارد، اهمیت دارد و می‌تواند راهکارهایی را برای مواجهه با بحران‌های مشابه و نیز ارتقاء تاب‌آوری اجتماعی فراهم نماید.

کلیدواژه‌ها

عنوان مقاله [English]

Trust in Time of Crisis: An Analysis of Trustworthiness on Social Media Posts During the COVID-19 Pandemic

نویسندگان [English]

  • Samira Abassi 1
  • Fatemeh Amiri 2
  • Mahboobeh Babaie 3
1 Assistant Professor, Department of Medical Engineering, Hamedan University of Technology, Hamadan, Iran
2 Assistant Professor, Department of Computer Engineering, Hamadan University of Technology, Hamadan, Iran
3 Ph.D. in Sociology, University of Tehran, Tehran, Iran
چکیده [English]

Background and Aim: As the COVID-19 pandemic unfolds, social media platforms have become a primary forum for the expression of a extensive range of thoughts, sentiments, and attitudes. This research examines Persian-language social media content associated with the pandemic to achieve a detailed comprehension of societal behaviors and attitudes amid this extraordinary circumstance. The purpose of this study is to investigate the emerging patterns and behaviors of trust-building within social networks during the COVID-19 crisis.  Sentiment analysis in social networks and the way people share their opinions, views, feelings, and attitudes— through posts, tweets, and other textual content— can shed light on the social patterns of trust towards message sources and news authorities, especially in times of crisis.
 
Methods and Data: The study conducted a content analysis of social network data through a two-stage clustering method. The clustering findings were scrutinized through the lenses of risk and crisis communication theories, as well as effective communication principles to assess the trust levels within each cluster.
 
Findings: Given the pivotal importance of a culture of trust in the acceptance or rejection of messages, the trust index was examined across the clusters. The findings indicate that messages disseminated and circulated through Instagram and news websites are considered trustworthy within each cluster.
 
Conclusion: The results demonstrate that the dissemination of COVID-19-related information by health authorities can foster positive trust within society. However, the level of trust in the health sector is somewhat lower compared to the socio-cultural sphere. For the dissemination of health-related information, the use of non-political language is recommended.
 
Key Message: The findings indicate that content shared through Instagram and news platforms proves to be more influential. Additionally, social activists significantly contribute to either strengthening or undermining the audience's trust in content. Understanding the social patterns associated with trust experiences in times of crisis, where contradictory information abounds, is essential. This understanding can offer strategies to manage similar crises and aid to enhance societal resilience.

کلیدواژه‌ها [English]

  • Corona
  • Social media
  • Social networks
  • Clustering
  • Health communication
  • Trust

مراجع

أزکیا، مصطفى (1382). روش‌هاى کاربردى تحقیق، تهران: کیهان.
Abd-Alrazaq, A., Alhuwail, D., Househ, M., Hamdi, M., & Shah, Z. (2020). Top concerns of tweeters during the COVID-19 pandemic: Infoveillance study. Journal of Medical Internet Research, 22(4), e19016. https://doi.org/10.2196/19016
Balog-Way, D. H., & McComas, K. A. (2022). COVID-19: Reflections on trust, tradeoffs, and preparedness. In COVID-19 (pp. 6-16). Routledge.     
Bode, L., & Vraga, E. K. (2018). See something, say something: Correction of global health misinformation on social media. Health communication, 33(9), 1131-1140. https://doi.org/10.1080/10410236.2017.1331312
      
Coombs, W. T. (2007). Crisis management and communications. Institute for public relations, 4(5), 6.
Forsyth, P. B., Adams, C. M., & Hoy, W. K. (2011). Collective Trust: Why Schools Can’t Improve without It, Columbia University.
Ghanem, B., Rosso, P., & Rangel, F. (2020). An emotional analysis of false information in social media and news articles. ACM Transactions on Internet Technology (TOIT), 20(2), 1-18. https://doi.org/10.1145/3381750
Hitlin, P., & Olmstead, K. (2018). The science people see on social media. Pew Research Center.
Ji, X., Chun, S. A., & Geller, J. (2013, September). Monitoring public health concerns using twitter sentiment classifications. In 2013 IEEE International Conference on Healthcare Informatics (pp. 335-344). IEEE. https://doi.org/10.1109/ICHI.2013.47
Khachidze, V., Wang, T., Siddiqui, S., Liu, V., Cappuccio, S., & Lim, A. (Eds.). (2012). Contemporary Research on E-business Technology and Strategy: International Conference, ICETS 2012, Tianjin, China, August 29-31, 2012, Revised Selected Papers (Vol. 332). Springer.
Kou, Y., Cui, H., & Xu, L. (2012). The Application of SOM and k-means algorithms in public security performance analysis and forecasting. In: Khachidze, V., Wang, T., Siddiqui, S., Liu, V., Cappuccio, S., & Lim, A. (Eds.), Contemporary Research on E-business Technology and Strategy: International Conference, iCETS 2012, Tianjin, China, August 29-31, 2012, Revised Selected Papers (pp. 73-84). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-34447-3_7
 Krippendorff, K. (2004). Content analysis: An introduction to its methodology 2nd ed. Sage publications.
Lazard, A. J., Scheinfeld, E., Bernhardt, J. M., Wilcox, G. B., & Suran, M. (2015). Detecting themes of public concern: a text mining analysis of the Centers for Disease Control and Prevention's Ebola live Twitter chat. American journal of infection control, 43(10), 1109-1111. https://doi.org/10.1016/j.ajic.2015.05.025
Li, L., Zhang, Q., Wang, X., Zhang, J., Wang, T., Gao, T. L., ... & Wang, F. Y. (2020). Characterizing the propagation of situational information in social media during covid-19 epidemic: A case study on weibo. IEEE Transactions on computational social systems, 7(2), 556-562. https://doi.org/10.1109/TCSS.2020.2980007
Liu, Y. C., Liu, M., & Wang, X. L. (2012). Application of self-organizing maps in text clustering: a review (Vol. 10). Chapter.
Llewellyn, S. (2020). Covid-19: how to be careful with trust and expertise on social media. BMJ, 368. https://doi.org/10.1136/bmj.m1160
Lopez, C. E., Vasu, M., & Gallemore, C. (2020). Understanding the perception of COVID-19 policies by mining a multilanguage Twitter dataset. arXiv preprint arXiv:2003.10359.
https://doi.org/10.48550/arXiv.2003.10359
Matsa, K. E. and E. Shearer (2018). "News use across social media platforms 2018." Pew Research Center 10.
Miller, M., Banerjee, T., Muppalla, R., Romine, W., & Sheth, A. (2017). What are people tweeting about Zika? An exploratory study concerning its symptoms, treatment, transmission, and prevention. JMIR public health and surveillance, 3(2), e7157.  https://doi.org/10.2196/publichealth.7157
Mosam, A., Goldstein, S., Erzse, A., Tugendhaft, A., & Hofman, K. (2020). Building trust during COVID 19: value-driven and ethical priority-setting. South African Medical Journal, 110(6), 443-444. https://hdl.handle.net/10520/EJC-1dbe42e643
Nemes, L., & Kiss, A. (2021). Social media sentiment analysis based on COVID-19. Journal of Information and Telecommunication, 5(1), 1-15. https://doi.org/10.1080/24751839.2020.1790793
Oksanen, A., Kaakinen, M., Latikka, R., Savolainen, I., Savela, N., & Koivula, A. (2020). Regulation and trust: 3-month follow-up study on COVID-19 mortality in 25 European countries. JMIR Public Health and Surveillance, 6(2), e19218. https://doi.org/10.2196/19218
Palenchar, M. J., & Heath, R. L. (2007). Strategic risk communication: Adding value to society. Public relations review, 33(2), 120-129. https://doi.org/10.1016/j.pubrev.2006.11.014
Pastor-Escuredo, D., & Tarazona, C. (2020). Characterizing information leaders in Twitter during COVID-19 Pandemic. arXiv preprint arXiv:2005.07266.
https://doi.org/10.48550/arXiv.2005.07266
Pierri, F., & Ceri, S. (2019). False news on social media: a data-driven survey. ACM Sigmod Record, 48(2), 18-27. https://doi.org/10.1145/3377330.3377334
Plutchik, R. (1980). A general psychoevolutionary theory of emotion. In Theories of emotion (pp. 3-33). Academic press. https://doi.org/10.1016/B978-0-12-558701-3.50007-7
Popat, K., Mukherjee, S., Yates, A., & Weikum, G. (2018). Declare: Debunking fake news and false claims using evidence-aware deep learning. arXiv preprint arXiv:1809.06416.
https://doi.org/10.48550/arXiv.1809.06416
Raykov, Y. P., Boukouvalas, A., Baig, F., & Little, M. A. (2016). What to do when K-means clustering fails: a simple yet principled alternative algorithm. PloS one, 11(9), e0162259. https://doi.org/10.1371/journal.pone.0162259
Rogers, E. M., & Cartano, D. G. (1962). Methods of measuring opinion leadership. Public opinion quarterly, 435-441.
Ruchansky, N., Seo, S., & Liu, Y. (2017, November). Csi: A hybrid deep model for fake news detection. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (pp. 797-806). https://doi.org/10.1145/3132847.3132877
Severin, W. J., & Tankard, J. W. (1997). Communication theories: Origins, methods, and uses in the mass media (pp. 300-310). New York: Longman.
Sherchan, W., Nepal, S., & Paris, C. (2013). A survey of trust in social networks. ACM Computing Surveys (CSUR), 45(4), 1-33. https://doi.org/10.1145/2501654.2501661
Singh, L., Bansal, S., Bode, L., Budak, C., Chi, G., Kawintiranon, K., ... & Wang, Y. (2020). A first  look at COVID-19 information and misinformation sharing on Twitter. arXiv preprint arXiv:2003.13907. through Twitter, M. I. A. Towards Real-Time Measurement of Public Epidemic Awareness. https://doi.org/10.48550/arXiv.2003.13907
Tran, T., & Lee, K. (2016, August). Understanding citizen reactions and Ebola-related information propagation on social media. In 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 106-111). IEEE. https://doi.org/10.1109/ASONAM.2016.7752221
Vijayan, V. K., Bindu, K. R., & Parameswaran, L. (2017, September). A comprehensive study of text classification algorithms. In 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI) (pp. 1109-1113). IEEE.  https://doi.org/10.1109/ICACCI.2017.8125990
Pavlović Vinogradac, V., Pavičić Vukičević, J., & Cajner Mraović, I. (2020). Value system as a factor of young people’s trust in education during the COVID-19 pandemic in three countries of Southeast Europe. Društvene i humanističke studije, 5(3 (12)), 331-353. https://www.ceeol.com/search/article-detail?id=887516
Waszak, P. M., Kasprzycka-Waszak, W., & Kubanek, A. (2018). The spread of medical fake news in social media–the pilot quantitative study. Health Policy and Technology, 7(2), 115-118. https://doi.org/10.1016/j.hlpt.2018.03.002
Wicke, P., & Bolognesi, M. M. (2020). Framing COVID-19: How we conceptualize and discuss the pandemic on Twitter. PloS One, 15(9), e0240010. https://doi.org/10.1371/journal.pone.0240010
Zarocostas, J. (2020). How to fight an infodemic. The Lancet, 395(10225), 676. https://doi.org/10.1016/S0140-6736(20)30461-X
تداوم و تغییر اجتماعی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 07 اردیبهشت 1403

فایل ها

هم رسانی

ارجاع به این مقاله

آمار