Social media and COVID-19 misinformation: how ignorant Facebook users are?
Notice bibliographique
Résumé
The COVID-19 pandemic has claimed a lot of lives around the world, not only with the virus but also with misinformation. Many researchers have investigated COVID-19 misinformation, but none of them was related to social media users' diverse responses to different types of COVID-19 misinformation, which could be a timely exploration. To bridge this gap in scholarly literature, the present study based on 11,716 comments from 876 Facebook posts on five COVID-19 misinformation seeks to answer two relevant research questions: (a) How ignorant social media users are about misinformation? (b) How do they react to different types of misinformation? Following a quantitative content analysis method, this study produces a few novel findings. The results show that most of the users trust misinformation (60.88%), and fewer can deny (16.15%) or doubt (13.30%) the claims based on proper reasons. The acceptance of religious misinformation (94.72%) surpassed other types of misinformation. Most of the users react happily (34.50%) to misinformation: the users who accept misinformation are mostly happy (55.02%) because it may satisfy their expectations, and the users who distrust misinformation are mostly angry (44.05%) presuming it may cause harm to people. The chi-square and phi coefficient values show strong positive and significant associations between the themes, levels of ignorance, and reactions to misinformation. Some strengths, limitations, and ethical concerns of this study have also been discussed.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».