COVID-19 health misinformation: using design-based research to develop a theoretical framework for intervention
Notice bibliographique
Résumé
Purpose Because health misinformation pertaining to COVID-19 is a serious threat to public health, the purpose of this study is to develop a framework to guide an online intervention into some of the drivers of health misinformation online. This framework can be iterated upon through the use of design-based research to continue to develop further interventions as needed. Design/methodology/approach Using design-based research methods, in this paper, the authors develop a theoretical framework for addressing COVID-19 misinformation. Using a heuristic analysis of research on vaccine misinformation and hesitancy, the authors propose a framework for education interventions that use the narrative effect of transportation as a means to increase knowledge of the drivers of misinformation online. Findings This heuristic analysis determined that a key element of narrative transportation includes orientation towards particular audiences. Research indicates that mothers are the most significant household decision-makers with respect to vaccines and family health in general; the authors suggest narrative interventions should be tailored specifically to meet their interests and tastes, and that this may be different for mothers of different backgrounds and cultural communities. Originality/value While there is a significant body of literature on vaccine hesitancy and vaccine misinformation, more research is needed that helps people understand the ways in which misinformation works upon social media users. The framework developed in this research guided the development of an education intervention meant to facilitate this understanding.
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 | 0,171 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,022 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».