The Quality, Readability, and Accuracy of the Information on Google About Cannabis and Driving: Quantitative Content Analysis
Notice bibliographique
Résumé
Background The public perception of driving under the influence of cannabis (DUIC) is not consistent with current evidence. The internet is an influential source of information available for people to find information about cannabis. Objective The purpose of this study was to assess the quality, readability, and accuracy of the information about DUIC found on the internet using the Google Canada search engine. Methods A quantitative content analysis of the top Google search web pages was conducted to analyze the information available to the public about DUIC. Google searches were performed using keywords, and the first 20 pages were selected. Web pages or web-based resources were eligible if they had text on cannabis and driving in English. We assessed (1) the quality of information using the Quality Evaluation Scoring Tool (QUEST) and the presence of the Health on the Net (HON) code; (2) the readability of information using the Gunning Fox Index (GFI), Flesch Reading Ease Scale (FRES), Flesch-Kincaid Grade Level (FKGL), and Simple Measure of Gobbledygook (SMOG) scores; and (3) the accuracy of information pertaining to the effects of cannabis consumption, prevalence of DUIC, DUIC effects on driving ability, risk of collision, and detection by law enforcement using an adapted version of the 5Cs website evaluation tool. Results A total of 82 web pages were included in the data analysis. The average QUEST score was 17.4 (SD 5.6) out of 28. The average readability scores were 9.7 (SD 2.3) for FKGL, 11.4 (SD 2.9) for GFI, 12.2 (SD 1.9) for SMOG index, and 49.9 (SD 12.3) for FRES. The readability scores demonstrated that 8 (9.8%) to 16 (19.5%) web pages were considered readable by the public. The accuracy results showed that of the web pages that presented information on each key topic, 96% (22/23) of them were accurate about the effects of cannabis consumption; 97% (30/31) were accurate about the prevalence of DUIC; 92% (49/53) were accurate about the DUIC effects on driving ability; 80% (41/51) were accurate about the risk of collision; and 71% (35/49) were accurate about detection by law enforcement. Conclusions Health organizations should consider health literacy of the public when creating content to help prevent misinterpretation and perpetuate prevailing misperceptions surrounding DUIC. Delivering high quality, readable, and accurate information in a way that is comprehensible to the public is needed to support informed decision-making.
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 | 0,017 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».