Covid-19 and “Immune Boosting” on the Internet: A Content Analysis of Google Search Results
Notice bibliographique
Résumé
Background: The spread of misinformation has accompanied the coronavirus pandemic, including topics such as immune boosting to prevent COVID-19. This study explores how immune boosting is portrayed on the Internet during the COVID-19 pandemic.Methods: We conducted a content analysis of 227 webpages compiled from Google searches in Canada and the US using the phrase “immune boosting” AND “coronavirus”. We coded webpages for typology, portrayal of immune boosting and supplements. We also recorded mentions of microbiome, whether the webpage was selling or advertising an immune boosting product or service, and any suggested strategies for boosting immunity. Results: No significant differences were found between webpages that appeared in the searches in Canada and the US. The most common types of webpages were from news sites (40.5%) and commercial sites (24.7%). The concept of immune boosting was portrayed as beneficial for avoiding COVID-19 in 85.5% of webpages and 40% of the webpages portrayed supplements as beneficial, but commercial sites were more likely to have these portrayals. The top immune boosting strategies were vitamin C (34.8%), diet (34.8%), sleep (34.4%), exercise (30.8%), and zinc (26.9%). Less than 10% of the webpages provide any critique of the concept of immune boosting.Interpretation: Pairing evidence-based advice for maintaining one’s health (e.g., healthy diet, exercise, sleep) with the phrase immune boosting and strategies lacking in evidence may inadvertently help to legitimize the concept, making it a powerful marketing tool. Results demonstrate how the spread of misinformation is complex and often more subtle than blatant fraudulent claims.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».