Interventions to Mitigate COVID-19 Misinformation: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
The duration and impact of the COVID-19 pandemic depends largely on individual and societal actions which are influenced by the quality and salience of the information to which they are exposed. Unfortunately, COVID-19 misinformation has proliferated. Despite growing attempts to mitigate COVID-19 misinformation, there is still uncertainty regarding the best way to ameliorate the impact of COVID-19 misinformation. To address this gap, the current study uses a meta-analysis to evaluate the relative impact of interventions designed to mitigate COVID-19-related misinformation. We searched multiple databases and gray literature from January 2020 to September 2021. The primary outcome was COVID-19 misinformation belief. We examined study quality and meta-analysis was used to pool data with similar interventions and outcomes. 16 studies were analyzed in the meta-analysis, including data from 33378 individuals. The mean effect size of interventions to mitigate COVID-19 misinformation was positive, but not statistically significant [d = 2.018, 95% CI (−0.14, 4.18), p = .065, k = 16]. We found evidence of publication bias. Interventions were more effective in cases where participants were involved with the topic, and where text-only mitigation was used. The limited focus on non-U.S. studies and marginalized populations is concerning given the greater COVID-19 mortality burden on vulnerable communities globally. The findings of this meta-analysis describe the current state of the literature and prescribe specific recommendations to better address the proliferation of COVID-19 misinformation, providing insights helpful to mitigating pandemic outcomes.
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 | 0,024 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,040 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».