COVID-19 vaccine rumors and conspiracy theories: The need for cognitive inoculation against misinformation to improve vaccine adherence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Rumors and conspiracy theories, can contribute to vaccine hesitancy. Monitoring online data related to COVID-19 vaccine candidates can track vaccine misinformation in real-time and assist in negating its impact. This study aimed to examine COVID-19 vaccine rumors and conspiracy theories circulating on online platforms, understand their context, and then review interventions to manage this misinformation and increase vaccine acceptance. METHOD: In June 2020, a multi-disciplinary team was formed to review and collect online rumors and conspiracy theories between 31 December 2019-30 November 2020. Sources included Google, Google Fact Check, Facebook, YouTube, Twitter, fact-checking agency websites, and television and newspaper websites. Quantitative data were extracted, entered in an Excel spreadsheet, and analyzed descriptively using the statistical package R version 4.0.3. We conducted a content analysis of the qualitative information from news articles, online reports and blogs and compared with findings from quantitative data. Based on the fact-checking agency ratings, information was categorized as true, false, misleading, or exaggerated. RESULTS: We identified 637 COVID-19 vaccine-related items: 91% were rumors and 9% were conspiracy theories from 52 countries. Of the 578 rumors, 36% were related to vaccine development, availability, and access, 20% related to morbidity and mortality, 8% to safety, efficacy, and acceptance, and the rest were other categories. Of the 637 items, 5% (30/) were true, 83% (528/637) were false, 10% (66/637) were misleading, and 2% (13/637) were exaggerated. CONCLUSIONS: Rumors and conspiracy theories may lead to mistrust contributing to vaccine hesitancy. Tracking COVID-19 vaccine misinformation in real-time and engaging with social media to disseminate correct information could help safeguard the public against misinformation.
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.
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 | 0,011 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle