Understanding the influence of online information, misinformation, disinformation and reinformation on COVID-19 vaccine acceptance: Protocol for a multicomponent study (Preprint)
Notice bibliographique
Résumé
BACKGROUND The COVID-19 pandemic generated an explosion in the amount of information shared online, including false and misleading information on the virus, and recommended protective behaviours. Prior to the pandemic, online mis- and disinformation were already identified as having an impact on people’s decision to refuse or delay recommended vaccination for themselves or their children. OBJECTIVE The overall aim of this study is to better understand the influence of online mis- and disinformation on COVID-19 decisions and investigate potential solutions to reduce the impact of online mis- and disinformation about vaccines. METHODS Based on different research approaches, this study involves 1) the use of artificial intelligence techniques, 2) a online survey, 3) interviews and, 4) a scoping review and an environmental scan of the literature. RESULTS As of September 1st, 2022, data collection is completed for all objectives. Analysis is being conducted and results should be disseminated in the upcoming months. CONCLUSIONS Findings from this study will help understand the underlying determinants of vaccine hesitancy among Canadian individuals and identify effective tailored interventions to improve vaccine acceptance among them. CLINICALTRIAL
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 | 0,035 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,100 | 0,016 |
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 ».