Reacting, Sharing, and Commenting: How Many Facebook Users Are Engaging with Posts Related to Dental Caries That Contain Misinformation?
Notice bibliographique
Résumé
Recent studies have been concerned about the vast amount of misinformation detected on social media that directly hampers the prevention and control of chronic diseases. Based on these facts, the aim of this study was to identify and characterize misinformation about dental caries-related content found on Facebook, regarding the predictive factors of user interaction with posts. Then, CrowdTangle retrieved 2,436 posts published in English, ordered by the total interaction of the highest users. A total of 1,936 posts were selected for inclusion and exclusion criteria to select a sample of 500 posts. Subsequently, two independent investigators characterized the posts by their time of publication, author's profile, motivation, the aim of content, content facticity, and sentiment. The statistical analysis was performed using Mann-Whitney U and χ2 tests and multiple logistic regression models to determine differences and associations between dichotomized characteristics. p values <0.05 were considered significant. In general, posts were predominantly originated from the USA (74.8%), related to business profiles (89%), presented preventive content (58.6%), and noncommercial motivation (91.6%). Furthermore, misinformation was detected in 40.8% of the posts and was positively associated with positive sentiment (OR = 3.43), business profile (OR = 2.22), and treatment of dental caries (OR = 1.60). While the total interaction was only positively associated with misinformation (OR = 1.44), the overperforming score was associated with posts from the business profile (OR = 5.67), older publications (OR = 1.57), and positive sentiment (OR = 0.66). In conclusion, misinformation was the unique predictive factor of increased user interaction with dental caries-related posts on Facebook. However, it did not predict the performance of the diffusion of posts such as business profiles, older publications, and negative/neutral sentiment. Therefore, it is essential to promote the development of specific policies toward good quality information on social media, which includes the production of adequate materials, the increase of the critical sense of consuming health content, and information filtering mediated by digital solutions.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».