Türkiye’de COVID-19 ile ilgili web arama davranışlarının incelenmesi: Google trendleri kullanan bir dijital epidemiyoloji çalışması

Amaç: İnternet verilerinin kullanımı, insan davranışını tahmin etmek ve analiz etmek için sağlık alanında giderek daha fazla tercih edilmektedir. Ayrıca çevrimiçi arama verileri, hastalıkların ortaya çıkışını ve salgınları tahmin etmek ve izlemek için yaygın olarak kullanılmaktadır. Sağlık alanında internet verilerini kullanmanın en popüler aracı, hem gerçek zamanlı hem de arşivlenmiş arama bilgilerini sunan açık bir çevrimiçi araç olan Google Trends’dir. Bu çalışmanın amacı, Türkiye’de 1 Ocak 2020’den 1 Mayıs 2020’ye kadar internetteki dijital ayak izlerinin kantitatif analizini kullanarak toplumun COVID-19 pandemisi farkındalığını araştırmaktır. Ayrıca bu çalışma, COVID-19 ile ilgili çevrimiçi arama davranışlarının virüsün farklı bölgelere yayılma hızını ve uygulanan bazı önleme stratejilerinin arama davranışı üzerindeki etkisini araştırmayı amaçlamaktadır. Yöntem: COVID-19 farkındalığını araştırmak için aşağıdaki arama terimleri kullanılmıştır; “Corona+Korona”, “Coronavirus+Koronavirüs+Koronavirus”, ““Covid 19” + “Covid-19””, “Pandemi”, “Salgın”. Bu çalışmada “veya” anlamına gelen artı işareti (+) çoklu terimlerin birleşimini temsil etmek için kullanılmıştır. Ardından, ülkede bu anahtar kelimeleri en çok arayanlar için göreli arama hacimleri (RSV) belirlenmiştir. Son olarak, COVID-19 ile ilgili olarak Türkiye genelinde halkın algısı ve dikkatini karşılaştırmak amacıyla, 1) Sağlık Bakanlığı’nın vaka ve ölüm sayılarını açıkladığı gün ile RSV’ nin zirveye ulaştığı gün arasındaki benzerlik, 2) Resmi otoritenin önleme stratejisini açıkladığı gün ile RSV’ nin zirveye ulaştığı gün arasındaki benzerlik değerlendirilmiştir. Bulgular: Türkiye’de COVID-19 ile ilgili aramalar, Çin’de salgının duyurulduğu 30 Ocak 2020 civarında hızla artmış ve küçük bir zirveye ulaşmıştır. Ardından, İtalya’da enfeksiyon sayısının hızla arttığı 26 Şubat 2020 civarında net bir zirve görülmüştür. Son olarak tepe noktası ülkedeki ilk vakanın duyurulduğu 11 Mart 2020 civarında görülmüştür. Arama ilgisi, okul ve sınırların kapatılması, seyahat kısıtlamaları gibi büyük önlemlerin alınmasıyla devam etmiştir. Türkiye’de kamuoyunun dikkat süresi 11 Mart 2020’den 5 Nisan 2020’ye kadar 26 gün sürmüştür. Sonuç: Bulgular risk algılarını, bunun çevrimiçi arama davranışına nasıl yansıdığını gösteren bir dikkat ölçüsü olarak düşünülebilir. Hastalık Türkiye’ye girene kadar COVID-19 ile ilgili çok sayıda araştırma yapılması önemlidir. Ancak Nisan ortasından sonra, tüm arama terimlerine ilişkin sorgular belirgin şekilde düşmüştür. Sonuç olarak bu çalışma yetkililerin COVID-19’un ulusal çapta tanıtımını daha fazla güçlendirmesi ve kamuoyunu bilgilendirmesi gerektiğini göstermektedir.

Investigation of COVID-19 related web search behaviors in Turkey: A digital epidemiology study using google trends

Objective: The use of internet data is being increasingly prefering in health area for predicting and analysing human behavior. In addition online search data are being widely used to predicting and monitor diseases occurrence and outbreaks. The most popular tool in health area for use of internet data is Google Trends, an open online tool that provides both real-time and archived information. The purpose of this study is to explore the public awareness of COVID-2019 pandemic in Turkish using quantitative analysis of its digital footprints on the internet from January 1, 2020 to May 1, 2020. In addition, this study aims to investigate the relationship between online search behaviors about COVID-19 and the spreading speed of virus among different region and the effect of applied some precautionary strategies on search behavior. Methods: The following search terms were used to investigate awareness of COVID-19; “Corona+ Korona” ,“Coronavirus+Koronavirüs+Koronavirus”,““Covid 19”+”Covid-19””, “Pandemi (pandemic)”, “Salgın (epidemic)”. In this study, plus sign (+) which means “OR” was used to represent the combination of those multiple terms. Then relative search volumes (RSV) were determined for the most searching these keywords in country. Finaly, for the purpose of comparing the difference of public perception and attention about COVID-19 across Turkey, 1) The similarity between the day when Ministry of Health announces the numbers of death and case, and nd the day when RSV reached the apex, 2) The similarity between the day when official autority announces the precaution strategy and the day when RSV reached the apex were evaluated. Results: Searches related to COVID-19 in Turkey rapidly increased following around 30th January 2020 when the epidemic was announced in China and reached a small peak. Then clear peak was seen around 26th February 2020 when the number of infections rapidly increased in Italy. Finally, the apex point was seen around 11 th March 2020 when the announcements of the first case in the country. The search interest was continued with the massive precaution measures which were taken such as the closure of schools, and mosques, and travel restrictions. The duration of public attention in Turkey was 26 days from the 11th March 2020 to the 5th April 2020. Conclusion: Results can be thought of as an attention measure that captures perceptions of risk, how this is reflected in online searcing behavior. It is important that until disease introduction to Turkey, there were lots of COVID-19 related searches. However, after mid-April, queries for all search terms had been dramatically declining. As a conclusion this study shows that the authorities should more strengthen the publicity of COVID-19 nationally and inform public.

PDF

___

1. Guo YR, Cao QD, Hong ZS, Tan YY, Chen SD, Jin HJ, et al. The origin, transmission and clinical therapies on coronavirus disease 2019 (COVID-19) outbreak- A n update on the status. Military Medical Research. 2020.
2. Lu R, Zhao X, Li J, Niu P, Yang B, Wu H, et al. Genomic characterisation and epidemiology of 2019 novel coronavirus: implications for virus origins and receptor binding. Lancet. 2020.
3. WHO. WHO Coronavirus (COVID-19) Dashboard. [Internet]. WHO. 2020 [cited 2020 Aug 6]. p. WHO Coronavirus (COVID-19) Dashboard. Available from: https://covid19.who.int.
4. Hu D, Lou X, Xu Z, Meng N, Xie Q, Zhang M, et al. More Effective Strategies are Required to Strengthen Public Awareness of COVID-19: Evidence from Google Trends. SSRN Electron J. 2020.
5. Graham Carlos W, Dela Cruz CS, Cao B, Pasnick S, Jamil S. Novel Wuhan (2019-NCoV) coronavirus. American Journal of Respiratory and Critical Care Medicine. 2020. p. 201(4):P7-P8.
6. Kata A. Anti-vaccine activists, Web 2.0, and the postmodern paradigm – An overview of tactics and tropes used online by the anti-vaccination movement. Vaccine [Internet]. 2012 May;30(25):3778–89. Available from: https://linkinghub.elsevier.com/ retrieve/pii/S0264410X11019086.
7. Mavragani A, Ochoa G. Google Trends in Infodemiology and Infoveillance: Methodology Framework. JMIR Public Heal Surveill [Internet]. 2019 May 29;5(2):e13439. Available from: http:// publichealth.jmir.org/2019/2/e13439/.
8. Ginsberg J, Mohebbi MH, Patel RS, Brammer L, Smolinski MS, Brilliant L. Detecting influenza epidemics using search engine query data. Nature [Internet]. 2009 Feb 19;457(7232):1012–4. Available from: http://www.nature.com/articles/ nature07634.
9. Chunara R, Goldstein E, Patterson-Lomba O, Brownstein JS. Estimating influenza attack rates in the United States using a participatory cohort. Sci Rep [Internet]. 2015 Aug 2;5(1):9540. Available from: http://www.nature.com/articles/ srep09540.
10. Zhang Z, Zheng X, Zeng DD, Leischow SJ. Tracking Dabbing Using Search Query Surveillance: A Case Study in the United States. J Med Internet Res [Internet]. 2016 Sep 16;18(9):e252. Available from: http://www.jmir.org/2016/9/e252/.
11. Woo H, Cho Y, Shim E, Lee J-K, Lee C-G, Kim SH. Estimating Influenza Outbreaks Using Both Search Engine Query Data and Social Media Data in South Korea. J Med Internet Res [Internet]. 2016 Jul 4;18(7):e177. Available from: http://www.jmir. org/2016/7/e177/.
12. Liang F, Guan P, Wu W, Huang D. Forecasting influenza epidemics by integrating internet search queries and traditional surveillance data with the support vector machine regression model in Liaoning, from 2011 to 2015. PeerJ [Internet]. 2018 Jun 25;6:e5134. Available from: https://peerj. com/articles/5134.
13. TÜİK. Türkiye İstatistik Kurumu Haber Bülteni, Hanehalkı Bilişim Teknolojileri (BT) Kullanım Araştırması, 2019. [Internet]. TÜİK, 2019, Ağustos 27. [cited 2020 Aug 6]. Available from: http://
www.tuik.gov.tr/PreHaberBultenleri.do?id=30574. 14. Deloitte Digital. E-Ticaretin Gelişimi, Sınırların Aşılması ve Yeni Normlar 2019 [Internet]. TÜSİAD. [cited 2020 Aug 6]. Available from: http://www. tubisad.org.tr/tr/images/pdf/dd-tusiad-eticaretraporu- 2019.pdf.
15. T.C. Sağlık Bakanlığı. T.C. Sağlık Bakanlığı Korona Tablosu; Türkiye’deki Güncel Durum, [Internet]. 2020. [cited 2020 Aug 6]. Available from: https:// covid19.saglik.gov.tr/.
16. T.C. İçişleri Bakanlığı, AramasSonuçları. [Internet]. T.C. İçişleri Bakanlığı. [cited 2020 Aug 6]. Available from: https://www.icisleri.gov.tr/arama/ara/ korona.
17. Ajansı A. Koronavirüs [Internet]. Anadolu Ajansı. [cited 2020 Aug 6]. Available from: https://www. aa.com.tr/tr/koronavirus.
18. Campaign TR. COVID-19 Salgınına Karşı Alınan Tedbir ve Önlemler [Internet]. Campaign TR. [cited 2020 Aug 6]. Available from: https://www. campaigntr.com/covid-19-salginina-karsi-alinantedbir- ve-onlemler/.
19. Erensoy S. [SARS-CoV-2 and Microbiological Diagnostic Dynamics in COVID-19 Pandemic]. Mikrobiyol Bul [Internet]. 2020 Jul;54(3):497–509. Available from: http://www.ncbi.nlm.nih.gov/ pubmed/32755524.
20. Jarynowski A, Wójta-Kempa M, BElik V. Perception of Emergent Epidemic of COVID-2019 / SARS CoV-2 on the Polish Internet. SSRN Electron J [Internet]. 2020; Available from: https://ssrn. com/abstract=3572662.
21. Lucas B, Elliot B, Landman T. Online Information Search During COVID-19. 2020 Apr 15;1–13. Available from: http://arxiv.org/abs/2004.07183. 22. Google Trends. Trends Help [Internet]. Google Trends. [cited 2020 Jun 20]. Available from: https://support.google.com/trends/ answer/6248105?hl=en&ref_topic=6248052.
23. Solano P, Ustulin M, Pizzorno E, Vichi M, Pompili M, Serafini G, et al. A Google-based approach for monitoring suicide risk. Psychiatry Res [Internet]. 2016 Dec;246:581–6. Available from: https://linkinghub.elsevier.com/retrieve/pii/ S0165178116301949.
24. Mavragani A, Ochoa G. Forecasting AIDS prevalence in the United States using online search traffic data. J Big Data [Internet]. 2018 Dec 19;5(1):1– 17. Available from: https://journalofbigdata. springeropen.com/articles/10.1186/s40537-018- 0126-7.
25. Mavragani A, Ochoa G. The Internet and the Anti- Vaccine Movement: Tracking the 2017 EU Measles Outbreak. Big Data Cogn Comput [Internet]. 2018 Jan 16;2(1):2. Available from: http://www.mdpi. com/2504-2289/2/1/2.
26. Lin Y-H, Liu C-H, Chiu Y-C. Google searches for the keywords of “wash hands” predict the speed of national spread of COVID-19 outbreak among 21 countries. Brain Behav Immun [Internet]. 2020 Apr; Available from: https://linkinghub.elsevier. com/retrieve/pii/S0889159120304748.
27. Jun S-P, Yoo HS, Choi S. Ten years of research change using Google Trends: From the perspective of big data utilizations and applications. Technol Forecast Soc Change [Internet]. 2018 May;130:69– 87. Available from: https://linkinghub.elsevier. com/retrieve/pii/S0040162517315536.
28. Scharkow M, Vogelgesang J. Measuring the Public Agenda using Search Engine Queries. Int J Public Opin Res [Internet]. 2011 Mar 1;23(1):104–13. Available from: https://academic.oup.com/ijpor/ article-lookup/doi/10.1093/ijpor/edq048.
29. Ayyoubzadeh SM, Ayyoubzadeh SM, Zahedi H, Ahmadi M, R Niakan Kalhori S. Predicting COVID-19 Incidence Through Analysis of Google Trends Data in Iran: Data Mining and Deep Learning Pilot Study. JMIR Public Heal Surveill. 2020 Apr 14;6(2):e18828.
30. Strzelecki A. The Second Worldwide Wave of Interest in Coronavirus since the COVID-19 Outbreaks in South Korea, Italy and Iran: A Google Trends Study. 2020 Mar 24;March 25. Available from: http://arxiv.org/abs/2003.10998.
31. The Lancet Infectious Diseases. Challenges of coronavirus disease 2019. Lancet Infect Dis [Internet]. 2020 Mar;20(3):261. Available from: https://linkinghub.elsevier.com/retrieve/pii/ S1473309920300724.
32. Bhattacharya S, Singh S. Visible Insights of the Invisible Pandemic: A Scientometric, Altmetric and Topic Trend Analysis. 2020 Apr 22; Available from: www.dimensions.ai.
33. Jackson D, Bradbury-Jones C, Baptiste D, Gelling L, Morin K, Neville S, et al. Life in the pandemic: Some reflections on nursing in the context of COVID-19. Journal of Clinical Nursing. 2020.