COVID-19 and Vitamin D Misinformation on YouTube: Content Analysis
Notice bibliographique
Résumé
Background: The "infodemic" accompanying the SARS-CoV-2 virus pandemic has the potential to increase avoidable spread as well as engagement in risky health behaviors. Although social media platforms, such as YouTube, can be an inexpensive and effective method of sharing accurate health information, inaccurate and misleading information shared on YouTube can be dangerous for viewers. The confusing nature of data and claims surrounding the benefits of vitamin D, particularly in the prevention or cure of COVID-19, influences both viewers and the general "immune boosting" commercial interest. Objective: The aim of this study was to ascertain how information on vitamin D and COVID-19 was presented on YouTube in 2020. Methods: YouTube video results for the search terms "COVID," "coronavirus," and "vitamin D" were collected and analyzed for content themes and deemed useful or misleading based on the accuracy or inaccuracy of the content. Qualitative content analysis and simple statistical analysis were used to determine the prevalence and frequency of concerning content, such as confusing correlation with causation regarding vitamin D benefits. Results: In total, 77 videos with a combined 10,225,763 views (at the time of data collection) were included in the analysis, with over three-quarters of them containing misleading content about COVID-19 and vitamin D. In addition, 45 (58%) of the 77 videos confused the relationship between vitamin D and COVID-19, with 46 (85%) of 54 videos stating that vitamin D has preventative or curative abilities. The major contributors to these videos were medical professionals with YouTube accounts. Vitamin D recommendations that do not align with the current literature were frequently suggested, including taking supplementation higher than the recommended safe dosage or seeking intentional solar UV radiation exposure. Conclusions: The spread of misinformation is particularly alarming when spread by medical professionals, and existing data suggesting vitamin D has immune-boosting abilities can add to viewer confusion or mistrust in health information. Further, the suggestions made in the videos may increase the risks of other poor health outcomes, such as skin cancer from solar UV radiation.
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 | 0,003 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».