Investigating COVID-19 Vaccine Communication and Misinformation on TikTok: Cross-sectional Study
Notice bibliographique
Résumé
Background: The COVID-19 pandemic has highlighted the need for reliable information, especially around vaccines. Vaccine hesitancy is a growing concern and a great threat to broader public health. The prevalence of social media within our daily lives emphasizes the importance of accurately analyzing how health information is being disseminated to the public. TikTok is of particular interest, as it is an emerging social media platform that young adults may be increasingly using to access health information. Objective: The objective of this study was to examine and describe the content within the top 100 TikToks trending with the hashtag #covidvaccine. Methods: The top 250 most viewed TikToks with the hashtag #covidvaccine were batch downloaded on July 1, 2021, with their respective metadata. Each TikTok was subsequently viewed and encoded by 2 independent reviewers. Coding continued until 100 TikToks could be included based on language and content. Descriptive features were recorded including health care professional (HCP) status of creator, verification of HCP status, genre, and misinformation addressed. Primary inclusion criteria were any TikToks in English with discussion of a COVID-19 vaccine. Results: Of 102 videos included, the median number of plays was 1,700,000, with median shares of 9224 and 62,200 followers. Upon analysis, 14.7% (15/102) of TikToks included HCPs, of which 80% (12/102) could be verified via social media or regulatory body search; 100% (15/15) of HCP-created TikToks supported vaccine use, and overall, 81.3% (83/102) of all TikToks (created by either a layperson or an HCP) supported vaccine use. Conclusions: As the pandemic continues, vaccine hesitancy poses a threat to lifting restrictions, and discovering reasons for this hesitancy is important to public health measures. This study summarizes the discourse around vaccine use on TikTok. Importantly, it opens a frank discussion about the necessity to incorporate new social media platforms into medical education, so we might ensure our trainees are ready to engage with patients on novel platforms.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».