Association Between Public Knowledge About COVID-19, Trust in Information Sources, and Adherence to Social Distancing: Cross-Sectional Survey
Notice bibliographique
Résumé
BACKGROUND: The success of behavioral interventions and policies designed to reduce the impact of the COVID-19 pandemic depends on how well individuals are informed about both the consequences of infection and the steps that should be taken to reduce the impact of the disease. OBJECTIVE: The aim of this study was to investigate associations between public knowledge about COVID-19, adherence to social distancing, and public trust in government information sources (eg, the US Centers for Disease Control and Prevention), private sources (eg, FOX and CNN), and social networks (eg, Facebook and Twitter) to inform future policies related to critical information distribution. METHODS: We conducted a cross-sectional survey (N=1243) between April 10 and 14, 2020. Data collection was stratified by US region and other demographics to ensure representativeness of the sample. RESULTS: Government information sources were the most trusted among the public. However, we observed trends in the data that suggested variations in trust by age and gender. White and older populations generally expressed higher trust in government sources, while non-White and younger populations expressed higher trust in private sources (eg, CNN) and social networks (eg, Twitter). Trust in government sources was positively associated with accurate knowledge about COVID-19 and adherence to social distancing. However, trust in private sources (eg, FOX and CNN) was negatively associated with knowledge about COVID-19. Similarly, trust in social networks (eg, Facebook and Twitter) was negatively associated with both knowledge and adherence to social distancing. CONCLUSIONS: During pandemics such as the COVID-19 outbreak, policy makers should carefully consider the quality of information disseminated through private sources and social networks. Furthermore, when disseminating urgent health information, a variety of information sources should be used to ensure that diverse populations have timely access to critical knowledge.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».