Interventions to mitigate COVID-19 misinformation: protocol for a scoping review
Notice bibliographique
Résumé
BACKGROUND: The duration and impact of the COVID-19 pandemic depends in a large part on individual and societal actions which is influenced by the quality and salience of the information to which they are exposed. Unfortunately, COVID-19 misinformation has proliferated. To date, no systematic efforts have been made to evaluate interventions that mitigate COVID-19-related misinformation. We plan to conduct a scoping review that seeks to fill several of the gaps in the current knowledge of interventions that mitigate COVID-19-related misinformation. METHODS: A scoping review focusing on interventions that mitigate COVID-19 misinformation will be conducted. We will search (from January 2020 onwards) MEDLINE, EMBASE, CINAHL, PsycINFO, Web of Science Core Collection, Africa-Wide Information, Global Health, WHO Global Literature on Coronavirus Disease Database, WHO Global Index Medicus, and Sociological Abstracts. Gray literature will be identified using Disaster Lit, Google Scholar, Open Science Framework, governmental websites, and preprint servers (e.g., EuropePMC, PsyArXiv, MedRxiv, JMIR Preprints). Study selection will conform to Joanna Briggs Institute Reviewers' Manual 2020 Methodology for JBI Scoping Reviews. Only English language, original studies will be considered for inclusion. Two reviewers will independently screen all citations, full-text articles, and abstract data. A narrative summary of findings will be conducted. Data analysis will involve quantitative (e.g., frequencies) and qualitative (e.g., content and thematic analysis) methods. DISCUSSION: Original research is urgently needed to design interventions to mitigate COVID-19 misinformation. The planned scoping review will help to address this gap. SYSTEMATIC REVIEW REGISTRATIONS: Systematic Review Registration: Open Science Framework (osf/io/etw9d).
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 | 0,024 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».