Message Delivery Strategy Influences Willingness to Comply With Biosecurity
Notice bibliographique
Résumé
As the Covid-19 pandemic continues worldwide, it has become increasingly clear that effective communication of disease transmission risks associated with protective behaviors is essential, and that communication tactics are not ubiquitously and homogenously understood. Analogous to Covid-19, communicable diseases in the hog industry result in millions of animal deaths and in the United States costs hundreds of millions of dollars annually. Protective behaviors such as preventative biosecurity practices are implemented to reduce these costs. Yet even with the knowledge of the importance of biosecurity, these practices are not employed consistently. The efficacy of biosecurity practices relies on consistent implementation and is influenced by a variety of behavioral factors under the umbrella of human decision-making. Using an experimental game, we collected data to quantify how different messages that described the likelihood of a disease incursion would influence willingness to follow biosecurity practices. Here we show that graphical messages combined with linguistic phrases demarking infection risk levels are more effective for ensuring compliance with biosecurity practices, as contrasted with either simple linguistic phrases or graphical messages with numeric demarcation of risk levels. All three of these delivery methods appear to be more effective than using a simple numeric value to describe probability of infection. Situationally, we saw greater than a 3-fold increase in compliance by shifting message strategy without changing the infection risk, highlighting the importance of situational awareness and context when designing messages.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».