Why Do Citizens Share COVID-19 Fact-Checks Posted by Chinese Government Social Media Accounts? The Elaboration Likelihood Model
Notice bibliographique
Résumé
Widespread misinformation about COVID-19 poses a significant threat to citizens long-term health and the combating of the disease. To fight the spread of misinformation, Chinese governments have used official social media accounts to participate in fact-checking activities. This study aims to investigate why citizens share fact-checks about COVID-19 and how to promote this activity. Based on the elaboration likelihood model, we explore the effects of peripheral cues (social media capital, social media strategy, media richness, and source credibility) and central cues (content theme and content importance) on the number of shares of fact-checks posted by official Chinese Government social media accounts. In total, 820 COVID-19 fact-checks from 413 Chinese Government Sina Weibo accounts were obtained and evaluated. Results show that both peripheral and central cues play important roles in the sharing of fact-checks. For peripheral cues, social media capital and media richness significantly promote the number of shares. Compared with the push strategy, both the pull strategy and networking strategy facilitate greater fact-check sharing. Fact-checks posted by Central Government social media accounts receive more shares than local government accounts. For central cues, content importance positively predicts the number of shares. In comparison to fact-checks about the latest COVID-19 news, government actions received fewer shares, while social conditions received more shares.
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 | 0,004 | 0,003 |
| 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 | 0,001 | 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) | 0,002 | 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 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 ».