Inoculating an Infodemic: An Ecological Approach to Understanding Engagement With COVID-19 Online Information
Notice bibliographique
Résumé
As the global COVID-19 pandemic has been concurrently labelled an “infodemic,” researchers have sought to improve how the general public engages with information that is relevant, timely, and accurate. In this study, we provide an overview of the reasons why people engage and disengage with COVID-19 information. We use context-rich semi-structured interviews which invited participants to discuss online COVID-19-related content they encountered. This qualitative approach allows us to uncover subtle but important details of influences that drive online engagement. Participants both engaged and disengaged with content for individual and social reasons, with seven themes emerging connected to their engagement including actions in response to information, reasoning for engagement, content, motivating concerns, frequency of engagement with information, site of exposure, and given reason for not engaging. Many of these themes intersected and informed each other. Our findings suggest that researchers and public health communicators should approach engagement as an ecology of intersecting influences, both human and algorithmic, which change over time. This information could be potentially helpful to public health communicators who are trying to engage the public with the best information to keep them safe during the pandemic.
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 | 0,031 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,019 | 0,051 |
| Communication savante | 0,015 | 0,019 |
| Science ouverte | 0,003 | 0,021 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».