Interpreting time-series COVID data: reasoning biases, risk perception, and support for public health measures
Notice bibliographique
Résumé
Effective risk communication during the COVID-19 pandemic is critical for encouraging appropriate public health behaviors. One way that the public is informed about COVID-19 numbers is through reports of daily new cases. However, presenting daily cases has the potential to lead to a dynamic reasoning bias that stems from intuitive misunderstandings of accumulation. Previous work in system dynamics shows that even highly educated individuals with training in science and math misunderstand basic concepts of accumulation. In the context of COVID-19, relying on the single cue of daily new cases can lead to relaxed attitudes about the risk of COVID-19 when daily new cases begin to decline. This situation is at the very point when risk is highest because even though daily new cases have declined, the active number of cases are highest because they have been accumulating over time. In an experiment with young adults from the USA and Canada (N = 551), we confirm that individuals fail to understand accumulation regarding COVID-19, have less concern regarding COVID-19, and decrease endorsement for public health measures as new cases decline but when active cases are at the highest point. Moreover, we experimentally manipulate different dynamic data visualizations and show that presenting data highlighting active cases and minimizing new cases led to increased concern and increased endorsement for COVID-19 health measures compared to a control condition highlighting daily cases. These results hold regardless of country, political affiliation, and individual differences in decision making. This study has implications for communicating the risks of contracting COVID-19 and future public health issues.
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 | 0,013 | 0,007 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,002 | 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 ».