Antivaccine Messages on Facebook: Preliminary Audit (Preprint)
Notice bibliographique
Résumé
BACKGROUND The World Health Organization lists vaccine hesitancy as one of 10 threats to global health. The antivaccine movement uses Facebook to promote messages on the alleged dangers and consequences of vaccinating, leading to a reluctance to immunize against preventable communicable diseases. OBJECTIVE We would like to know more about the messages these websites are sharing via social media that can influence readers and consumers. What messages is the public receiving on Facebook about immunization? What content (news articles, testimonials, videos, scientific studies) is being promoted? METHODS We proposed using a social media audit tool and 3 categorical lists to capture information on websites and posts, respectively. The keywords “vaccine,” “vaccine truth,” and “anti-vax” were entered in the Facebook search bar. A Facebook page was examined if it had between 2500 and 150,000 likes. Data about beliefs, calls to action, and testimonials were recorded from posts and listed under the categories Myths, Truths, and Consequences. Website data were entered in a social media audit template. RESULTS Users’ posts reflected fear and vaccine hesitancy resulting from the alleged dangers of immunization featured on the website links. Vaccines were blamed for afflictions such as autism, cancer, and infertility. Mothers shared testimonies on alleged consequences their children suffered due to immunization, which have influenced other parents to not vaccinate their children. Users denied the current measles outbreaks in the United States to be true, retaliating against the government in protests for fabricating news. CONCLUSIONS Some Facebook messages encourage prevailing myths about the safety and consequences of vaccines and likely contribute to parents’ vaccine hesitancy. Deeply concerning is the mistrust social media has the potential to cast upon the relationship between health care providers and the public. A grasp of common misconceptions can help support health care provider practice.
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 | 0,007 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,006 |
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 ».