Political Preferences, Knowledge, and Misinformation About COVID-19: The Case of Brazil
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
The COVID-19 pandemic has led to a vast research agenda focusing on how citizens acquire knowledge about the virus and the health expert guidelines to protect themselves and their close ones against it. While many countries and regions have been accounted for, there still remains a substantial gap with respect to public opinion about the virus in Latin America, most notably in Brazil, which currently has the second highest in number of fatalities in the world. In this article, we employ a national survey of Brazilians ( n = 2,771) to measure and explain knowledge and misinformation about the coronavirus and its illness, COVID-19. Our focus concerns the role of political preferences in a context of high elite polarization with a sitting government that has systematically downplayed the risks associated with the coronavirus and its illness. Our findings are clear: political preferences play a substantial role in explaining differences in knowledge about the coronavirus and COVID-19, more than conventional determinants of learning like motivation, ability, and opportunities. Specifically, we find that supporters of President Jair Bolsonaro—an avid science and COVID-19 denier—know significantly less about the coronavirus and its illness and are more likely to believe in a conspiracy theory that claims that the coronavirus was purposefully created in a Chinese laboratory to promote China's economic power, when compared to Brazilians who are less supportive of him and his government. Our findings carry important implications for how Brazilians take informational cues from political elites in that—even in a major event like a global pandemic—supporters of the president are as likely as ever to “follow their leader” and deny expert-backed scientific evidence.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| 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