An analysis of the COVID-19 Infodemic: The impact of American public sources on sentiment, conversation, and physician behaviour towards hydroxychloroquine
Notice bibliographique
Résumé
The COVID-19 infodemic, described as an overabundance of both accurate and inaccurate information, poses a significant public health risk in spreading fear and provoking inappropriate prescription. The overwhelming and often contradictory information on as potential treatments for COVID-19 have contributed to this infodemic. Public sources including the US federal government, health organizations, and research publications have released conflicting statements on the efficacy of hydroxychloroquine. Previous research has not analyzed the influence of these sources on public attitudes and conversation towards the drug. To evaluate this impact, changes in the number and sentiment of tweets tagged with the hashtag or keyword “hydroxychloroquine” from March 12th to June 22nd, 2020 in relation to public sources were analyzed. We found that the US government had a statistically significant influence on public attitudes and behaviour (p < 0.001), unlike health organizations and research publications. Public sentiment on hydroxychloroquine has also been observed to become more negative over time, suggesting that public attitudes towards controversial topics can change. This study also found a positive correlation between public sentiment of hydroxychloroquine and other drugs (i.e. azithromycin and remdesivir) which indicates that public sources disseminating hydroxychloroquine-related information could also affect public attitudes towards related treatments. In a public health crisis, all statements and actions from public sources regarding contentious topics like hydroxychloroquine should be made with caution. To mitigate the disproportionate influence of public sources in an infodemic, we recommend three solutions: (a) education to empower individuals of all ages to develop critical thinking and digital literacy skills; (b) stronger action from social media platforms in labeling misinformation; (c) and cooperation between entities with strong influence (e.g. federal government) and other sources for public health measures. Together, these recommendations could resolve shortcomings existent with a single approach. Future research should be conducted with a custom trained model for sentiment analysis. It would also be valuable to conduct a similar version of the study on other social media platforms as well as for public health issues beyond COVID-19.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».