Social Media and the Influence of Fake News on Global Health Interventions: Implications for a Study on Dengue in Brazil
Notice bibliographique
Résumé
Social media usage is growing globally, with an exponential increase in low- and middle-income countries. Social media changes the ways in which information-sharing occurs, intensifying the population's exposure to misinformation, including fake news. This has important repercussions for global health. The spread of fake news can undermine the implementation of evidence-based interventions and weaken the credibility of scientific expertise. This is particularly worrisome in countries, such as Brazil, in a sociopolitical context characterized by a lack of popular trust in public institutions. In this project report, we describe our experience with the spread of fake news through the social media platform WhatsApp during the implementation of a cluster randomized controlled trial aimed at reducing dengue incidence in children in Fortaleza (Brazil). During initial visits to selected clusters, the research team was met with resistance. Then, soon after data collection started, fake news began circulating about the study. As a result, the research team developed strategies to dispel suspicion and further promote the study. However, the climate of violence and mistrust, coupled with the COVID-19 pandemic, forced the interruption of the study in 2019. The lessons learned from our experience in Fortaleza can be useful to other researchers and practitioners implementing large-scale interventions in this era of health-related misinformation.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».