Employing Media Messaging Strategies to Respond to COVID-19 Misinformation
Notice bibliographique
Résumé
Introduction: The COVID-19 pandemic has revealed critical gaps in the public’s knowledge of infectious diseases. Experts, including the World Health Organization, acknowledge that an “infodemic” of misinformation is spreading at the same time as the pandemic. Furthermore, 13% of Canadians age 50 and younger reported using social media as their primary source of information about COVID-19. Thus, in January 2020, the Infectious Disease Working Group (IDWG) was formed by a group of students at the Dalla Lana School of Public Health, University of Toronto. The IDWG’s Media Messaging Team (MMT) uses Knowledge Translation (KT) strategies to increase access to evidence-based information related to public health and COVID-19. Specifically, MMT uses virtual platforms, including Twitter and Instagram (@infectious_info), to disseminate information to a wide audience. Objectives: The MMT aims to produce content to dispel pervasive and harmful myths about COVID-19, raise public awareness, and advocate for health equity. Methods: The team creates 2-4 pieces of original content per week on topics such as Ontario Government legislation updates, myth-busting series, and “Wednesday Series” (summaries of novel research findings). The IDWG employs an equity lens to ensure that the content takes into account the experiences and needs of diverse groups, and that graphics are representative of a diverse audience. Health communication strategies are used to promote audience engagement through compelling and bold content design. Results: The Instagram account has over 4,400 followers, with some posts surpassing 50,000 views. Qualitative feedback from social media followers indicates that this project is addressing an emerging gap in knowledge resulting from unclear messaging from official bodies, the spread of mis/disinformation, and disparities in health literacy levels. Conclusions: The findings can inform the development and implementation of KT strategies to reach a wide audience and increase the uptake of public health information.
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 | 0,009 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».