Prevalence and effect of misinformation on Twitter during the COVID-19 pandemic: A mixed-methods social media analysis
Notice bibliographique
Résumé
Throughout the COVID-19 pandemic, there has been an upward trend of medical misinformation circulating on social media. With the large reach of platforms like Twitter, misinformation can shape the opinions of masses on public health topics and behaviors. This study aims to assess the prevalence of misinformation on Twitter and its impact on the public through a concurrent mixed-methods design. In the quantitative component, we investigated the prevalence of misinformation on Twitter related to COVID-19 transmission, alternative treatments, and vaccines. Twitter shares for the most popular articles were collected at four time periods and misinformation was analyzed for temporal and topical changes. The qualitative component assessed the impact of misinformation by analyzing perspectives towards vaccine acceptance, mask adherence, and lockdown compliance on Twitter. Twitter articles regarding alternative COVID-19 treatments had the most misinformation (47.5%), followed by transmission (20.0%) and vaccines (8.8%). The prevalence of misinformation decreased over time for both alternative treatments and transmission. Conversely, vaccines displayed an increase in misinformation over time. Vaccine acceptance and mask adherence had considerable support; however, some individuals questioned the effectiveness of these measures. Lockdown compliance had mixed support as some supported the enhanced measures while others displayed frustration. Individuals showcased varying opinions on Twitter regarding their willingness to obey public health regulations. Overall, there was a high prevalence of misinformation regarding COVID-19 transmission, alternative treatments, and vaccines during the pandemic.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 ».