RESUMO
RESUMEN Objetivo. Informar sobre la oposición a las vacunas y la información errónea fomentadas en Twitter, destacando las cuentas de Twitter que dirigen estas conversaciones. Métodos. Utilizamos el aprendizaje automático supervisado para codificar todos los mensajes publicados en Twitter. En primer lugar, identificamos manualmente los códigos y los temas mediante un enfoque teórico fundamentado y, a continuación, los aplicamos a todo el conjunto de datos de forma algorítmica. Identificamos a los 50 autores más importantes un mes tras otro para determinar las fuentes influyentes de información relacionadas con la oposición a las vacunas. Resultados. El período de recopilación de datos fue del 1 de junio al 1 de diciembre del 2019, lo que dio lugar a 356 594 mensajes opuestos a las vacunas. Un total de 129 autores de Twitter reunieron los criterios de autor principal durante al menos un mes. Los autores principales fueron responsables del 59,5% de los mensajes opuestos a las vacunas y detectamos diez temas de conversación. Los temas se distribuyeron de forma similar entre los autores principales y todos los demás autores que declararon su oposición a las vacunas. Los autores principales parecían estar muy coordinados en su promoción de la información errónea sobre cada tema. Conclusiones. La salud pública se ha esforzado por responder a la información errónea sobre las vacunas. Los resultados indican que las fuentes de información errónea sobre las vacunas no son tan heterogéneas ni están tan distribuidas como podría parecer a primera vista, dado el volumen de mensajes. Existen fuentes identificables de información errónea, lo que puede ayudar a contrarrestar los mensajes y a fortalecer la vigilancia de la salud pública.
ABSTRACT Objectives. To report on vaccine opposition and misinformation promoted on Twitter, highlighting Twitter accounts that drive conversation. Methods. We used supervised machine learning to code all Twitter posts. We first identified codes and themes manually by using a grounded theoretical approach and then applied them to the full data set algorithmically. We identified the top 50 authors month-over-month to determine influential sources of information related to vaccine opposition. Results. The data collection period was June 1 to December 1, 2019, resulting in 356 594 mentions of vaccine opposition. A total of 129 Twitter authors met the qualification of a top author in at least 1 month. Top authors were responsible for 59.5% of vaccine-opposition messages. We identified 10 conversation themes. Themes were similarly distributed across top authors and all other authors mentioning vaccine opposition. Top authors appeared to be highly coordinated in their promotion of misinformation within themes. Conclusions. Public health has struggled to respond to vaccine misinformation. Results indicate that sources of vaccine misinformation are not as heterogeneous or distributed as it may first appear given the volume of messages. There are identifiable upstream sources of misinformation, which may aid in countermessaging and public health surveillance.