MétaCan
Menu
Retour à la cohorte
Enregistrement W2945786439 · doi:10.7202/1060911ar

Health Misinformation and the Power of Narrative Messaging in the Public Sphere

2019· article· en· W2945786439 sur OpenAlexafffundvenue
Timothy Caulfield, Alessandro R Marcon, Blake Murdoch, Jasmine M. Brown, Sarah Tinker Perrault, Jonathan Jarry, Jeremy Snyder, Samantha J. Anthony, Stephanie Brooks, Zubin Master, Christen Rachul, Ubaka Ogbogu, Joshua Greenberg, Amy Zarzeczny, Robyn Hyde-Lay

Notice bibliographique

RevueCanadian Journal of Bioethics · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMisinformation and Its Impacts
Établissements canadiensCarleton UniversitySickKids FoundationUniversity of ReginaMcGill UniversityHospital for Sick ChildrenInstitute of Health EconomicsUniversity of ManitobaSimon Fraser UniversityUniversity of Alberta
Organismes subventionnairesAlberta InnovatesGenome AlbertaStem Cell NetworkKidney Foundation of CanadaCanadian Institutes of Health ResearchGenome Canada
Mots-clésMisinformationNarrativePublic spherePower (physics)Health communicationPublic relationsInternet privacyPsychologySociologySocial psychologyComputer sciencePolitical scienceLinguisticsPoliticsComputer security

Résumé

récupéré en direct d'OpenAlex

Numerous social, economic and academic pressures can have a negative impact on representations of biomedical research. We review several of the forces playing an increasingly pernicious role in how health and science information is interpreted, shared and used, drawing discussions towards the role of narrative. In turn, we explore how aspects of narrative are used in different social contexts and communication environments, and present creative responses that may help counter the negative trends. As traditional methods of communication have in many ways failed the public, changes in approach are required, including the creative use of narratives.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,045
score de la tête « metaresearch » (Gemma)0,086
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,045
Score d'incertitude au seuil0,238

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0450,086
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,004
Études des sciences et des technologies0,0170,058
Communication savante0,0260,023
Science ouverte0,0020,018
Intégrité de la recherche0,0080,008
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,047
Tête enseignante GPT0,338
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations79
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of BioethicsMême sujetMisinformation and Its ImpactsTravaux en français237 207