Prevalence of Misinformation and Factchecks on the COVID-19 Pandemic in 35 Countries: Observational Infodemiology Study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has been accompanied by an infodemic, in which a plethora of false information has been rapidly disseminated online, leading to serious harm worldwide. OBJECTIVE: This study aims to analyze the prevalence of common misinformation related to the COVID-19 pandemic. METHODS: We conducted an online survey via social media platforms and a survey company to determine whether respondents have been exposed to a broad set of false claims and fact-checked information on the disease. RESULTS: We obtained more than 41,000 responses from 1257 participants in 85 countries, but for our analysis, we only included responses from 35 countries that had at least 15 respondents. We identified a strong negative correlation between a country's Gross Domestic Product per-capita and the prevalence of misinformation, with poorer countries having a higher prevalence of misinformation (Spearman ρ=-0.72; P<.001). We also found that fact checks spread to a lesser degree than their respective false claims, following a sublinear trend (β=.64). CONCLUSIONS: Our results imply that the potential harm of misinformation could be more substantial for low-income countries than high-income countries. Countries with poor infrastructures might have to combat not only the spreading pandemic but also the COVID-19 infodemic, which can derail efforts in saving lives.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».