How to Fight an Infodemic: The Four Pillars of Infodemic Management
Notice bibliographique
Résumé
In this issue of the Journal of Medical Internet Research, the World Health Organization (WHO) is presenting a framework for managing the coronavirus disease (COVID-19) infodemic. Infodemiology is now acknowledged by public health organizations and the WHO as an important emerging scientific field and critical area of practice during a pandemic. From the perspective of being the first "infodemiologist" who originally coined the term almost two decades ago, I am positing four pillars of infodemic management: (1) information monitoring (infoveillance); (2) building eHealth Literacy and science literacy capacity; (3) encouraging knowledge refinement and quality improvement processes such as fact checking and peer-review; and (4) accurate and timely knowledge translation, minimizing distorting factors such as political or commercial influences. In the current COVID-19 pandemic, the United Nations has advocated that facts and science should be promoted and that these constitute the antidote to the current infodemic. This is in stark contrast to the realities of infodemic mismanagement and misguided upstream filtering, where social media platforms such as Twitter have advertising policies that sideline science organizations and science publishers, treating peer-reviewed science as "inappropriate content."
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 | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,015 | 0,009 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,018 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,010 |
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 ».