A systematic review for netizens’ response to the truth manipulation on social media
Notice bibliographique
Résumé
The manipulated or manufactured truth on social media platforms spreads false information to influence netizens’ cognition, often resulting in fabricated social and political narratives. This study systematically reviews the literature on truth manipulation and its impact on the cognition of social media users. The primary focus is on disinformation, misinformation, fake news, and propaganda. The study appraises 162 peer-reviewed publications indexed in the Web of Science Core Collection database using the systematic review method. The data was put through a bibliometric analysis to unpack the evolutionary nuances of netizens’ cognitive response to manufactured truth, informativity, and manipulation on social media. The study highlights emerging trends and issues from truth manipulation on social media. The bibliometric analysis reveals since 2017, there has been an increase in the trend of scholarly work about truth manipulation on social media and its effects on the cognition of netizens. The USA seems to be the most prominent node to contribute to the study of truth manipulation. The content analysis shows multiple aspects causing truth manipulation. This study also seeks ways and methods to prevent and counter truth manipulation on social media. It looks at the possibilities of altering netizens’ cognitive abilities by improving their critical social media literacies through fact-checking. The study results show that knowledge gaps persist in truth manipulation on social media and the cognitional aspects in response to fabricated narratives. We emphasize the importance of further investigations in this domain.
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 | 0,011 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».