How Official Social Media Affected the Infodemic among Adults during the First Wave of COVID-19 in China
Notice bibliographique
Résumé
The COVID-19 pandemic has demonstrated that social media can impact society both positively (e.g., keeping citizens connected and informed) and negatively (e.g., the deliberate spreading of misinformation). This study aims to examine the underlying mechanisms of the relationship between official social media accounts and the infodemic, experienced during the first wave of COVID-19 in China. A theoretical model is proposed to examine how official social media accounts affected the infodemic during this period. In total, 1398 questionnaire responses were collected via WeChat and Tencent QQ, two leading Chinese social media platforms. Data analysis was conducted using Partial Lease Squares Structural Equation Modeling (PLS-SEM), moderation effect analysis, and mediation effect analysis. Results indicate that the Information Quality (IQ) of Official social media accounts (β = −0.294, p < 0.001) has a significant negative effect on the infodemic. Mediation effect analysis revealed that both social support (β = −0.333, 95% Boot CI (−0.388, −0.280)) and information cascades (β = −0.189, 95% Boot CI (−0.227, −0.151)) mediate the relationship between IQ and the infodemic. Moderation effect analysis shows that private social media usage (F = 85.637, p < 0.001) positively moderates the relationship between IQ and the infodemic, while health literacy has a small negative moderation effect on the relationship between IQ and the infodemic. Our findings show that, in the context of Chinese media, official social media accounts act as a major source of information for influencing the infodemic through increasing social support and reducing information cascades for citizens.
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 | 0,006 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».