Communication strategies and media discourses in the age of COVID-19: an urgent need for action
Notice bibliographique
Résumé
Identified in December 2019 in China, the coronavirus 2019 (COVID-19) has been declared a Public Health Emergency of International Concern (PHEIC). Pandemics share features that increase fear. While some fear can stimulate preventive health behaviors, extreme fear can lead to adverse psychological and behavioral response. The media play a major role shaping these responses. When dealing with a PHEIC, the authorities' communication strategies are embedded in a multilevel governance and a highly hierarchal system, which adds another layer of complexity. Carrying out more 'real-world research' is crucial to generate evidence relating to the psychosocial and behavioral aspects involved during the COVID-19 pandemic and how it is shaped by authorities and media discourses. Interdisciplinary research and international collaborations could contribute to improve our understanding and management of risk information. Emerging from a socio-ecological perspective, future research must integrate multilevel analytical elements, to ensure triangulation of evidence and co-constructing robust recommendations. A mixed-method approach should be privileged to address these issues. At the micro-level, a population-based survey could be conducted in various jurisdictions to assess and compare psychosocial issues according to sociocultural groups. Then, a quantitative/qualitative discourse analysis of the media could be performed. Finally, a network analysis could allow assessing how official information flows and circulates across levels of governance. The COVID-19 represents an opportunity to evaluate the impacts of information/communication strategy and misinformation on various cultural and socioeconomic groups, providing important lessons that could be applied to future health emergencies and disasters.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».