Deconstructing cancer: what makes a good‐quality news story?
Notice bibliographique
Résumé
OBJECTIVE: To describe an in-depth analysis of the content and quality of stories about new cancer interventions in Australian media. DESIGN AND SETTING: Search of the Media Doctor Australia media-monitoring website for stories about newly reported cancer interventions, including drugs, diagnostic tests, surgery and complementary therapies, that had been collected from June 2004 to June 2009 and rated for quality using a validated rating instrument. A mixed-methods approach was used to analyse data and story content. Data from the website on stories about other new health interventions and procedures were compared. MAIN OUTCOME MEASURES: Differences in quality scores between cancer-related news stories ("cancer stories") and other stories, and between types of media outlet; differences in how cancer was reported in terms of cancer type, morbidity, mortality, and in the use of hyperbole and emotive language. RESULTS: 272 unique cancer stories were critically reviewed by Media Doctor Australia. Cancer stories had significantly higher scores for quality than other stories (F=7.1; df=1; P=0.008). Most cancer stories concerned disease affecting the breast or prostate gland, with breast cancer appearing to be over-represented as a topic relative to its incidence. Pairwise comparisons showed statistically significant superiority for broadsheet newspaper stories over online stories (F=12.7; df=1; P<0.001) and television stories (F=10.7; df=1; P=0.001). Descriptions of morbidity and mortality were variable and often confusing in terms of numbers, time periods and locations. Literary devices including hyperbole and emotive language were used extensively, mostly by the researchers. CONCLUSIONS: While reporting of cancer in the general media is of low quality, many of the poorer aspects of content are directly attributable to the researchers. Researchers and journals need to do more to ensure that a higher standard of information about cancer is presented to the media.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».