The Prevalence, Features, Influencing Factors, and Solutions for COVID-19 Vaccine Misinformation: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: During the COVID-19 pandemic, infodemic spread even more rapidly than the pandemic itself. The COVID-19 vaccine hesitancy has been prevalent worldwide and hindered pandemic exiting strategies. Misinformation around COVID-19 vaccines is a vital contributor to vaccine hesitancy. However, no evidence systematically summarized COVID-19 vaccine misinformation. OBJECTIVE: This review aims to synthesize the global evidence on misinformation related to COVID-19 vaccines, including its prevalence, features, influencing factors, impacts, and solutions for combating misinformation. METHODS: We performed a systematic review by searching 5 peer-reviewed databases (PubMed, Embase, Web of Science, Scopus, and EBSCO). We included original articles that investigated misinformation related to COVID-19 vaccines and were published in English from January 1, 2020, to August 18, 2022. We excluded publications that did not cover or focus on COVID-19 vaccine misinformation. The Appraisal tool for Cross-Sectional Studies, version 2 of the Cochrane risk-of-bias tool for randomized trials (RoB 2), and Critical Appraisal Skills Programme Checklist were used to assess the study quality. The review was guided by PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) and registered with PROSPERO (CRD42021288929). RESULTS: Of the 8864 studies identified, 91 observational studies and 11 interventional studies met the inclusion criteria. Misinformation around COVID-19 vaccines covered conspiracy, concerns on vaccine safety and efficacy, no need for vaccines, morality, liberty, and humor. Conspiracy and safety concerns were the most prevalent misinformation. There was a great variation in misinformation prevalence, noted among 2.5%-55.4% in the general population and 6.0%-96.7% in the antivaccine/vaccine hesitant groups from survey-based studies, and in 0.1%-41.3% on general online data and 0.5%-56% on antivaccine/vaccine hesitant data from internet-based studies. Younger age, lower education and economic status, right-wing and conservative ideology, and having psychological problems enhanced beliefs in misinformation. The content, format, and source of misinformation influenced its spread. A 5-step framework was proposed to address vaccine-related misinformation, including identifying misinformation, regulating producers and distributors, cutting production and distribution, supporting target audiences, and disseminating trustworthy information. The debunking messages/videos were found to be effective in several experimental studies. CONCLUSIONS: Our review provides comprehensive and up-to-date evidence on COVID-19 vaccine misinformation and helps responses to vaccine infodemic in future pandemics. TRIAL REGISTRATION: PROSPERO CRD42021288929; https://tinyurl.com/2prejtfa.
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 | 0,020 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,011 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».