MétaCan
Menu
Retour à la cohorte
Enregistrement W3097757457 · doi:10.1136/bmjopen-2020-040989

COVID-19 and ‘immune boosting’ on the internet: a content analysis of Google search results

2020· article· en· W3097757457 sur OpenAlexafffundabout
Christen Rachul, Alessandro R Marcon, Benjamin Collins, Timothy Caulfield

Notice bibliographique

RevueBMJ Open · 2020
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueImmune responses and vaccinations
Établissements canadiensUniversity of AlbertaUniversity of Manitoba
Organismes subventionnairesGenome AlbertaAlberta Innovates - Health SolutionsGovernment of CanadaAlberta InnovatesMinistero dello Sviluppo EconomicoGovernment of AlbertaCanadian Institutes of Health ResearchGenome Canada
Mots-clésBoosting (machine learning)MedicineImmune systemWeb pageMisinformationPandemicCoronavirus disease 2019 (COVID-19)Artificial intelligenceWorld Wide WebImmunologyComputer scienceDiseaseInfectious disease (medical specialty)Internal medicineComputer security

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: The spread of misinformation has accompanied the coronavirus pandemic, including topics such as immune boosting to prevent COVID-19. This study explores how immune boosting is portrayed on the internet during the COVID-19 pandemic. DESIGN: Content analysis. METHODS: We compiled a dataset of 227 webpages from Google searches in Canada and the USA using the phrase 'boost immunity' AND 'coronavirus' on 1 April 2020. We coded webpages for typology and portrayal of immune boosting and supplements. We recorded mentions of microbiome, whether the webpage was selling or advertising an immune boosting product or service, and suggested strategies for boosting immunity. RESULTS: No significant differences were found between webpages that appeared in the searches in Canada and the USA. The most common types of webpages were from news (40.5%) and commercial (24.7%) websites. The concept of immune boosting was portrayed as beneficial for avoiding COVID-19 in 85.5% of webpages and supplements were portrayed as beneficial in 40% of the webpages, but commercial sites were more likely to have these portrayals. The top immune boosting strategies were vitamin C (34.8%), diet (34.4%), sleep (34.4%), exercise (30.8%) and zinc (26.9%). Less than 10% of the webpages provide any critique of the concept of immune boosting. CONCLUSIONS: Pairing evidence-based advice for maintaining one's health (eg, healthy diet, exercise, sleep) with the phrase immune boosting and strategies lacking in evidence may inadvertently help to legitimise the concept, making it a powerful marketing tool. Results demonstrate how the spread of misinformation is complex and often more subtle than blatant fraudulent claims.

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)0,002
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,055
Score d'incertitude au seuil0,109

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,024
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0200,028
Études des sciences et des technologies0,0010,001
Communication savante0,0030,004
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,249
Tête enseignante GPT0,415
Écart entre enseignants0,166 · 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'étudeObservationnel
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

Citations52
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMJ OpenMême sujetImmune responses and vaccinationsTravaux en français237 207