Preferred Information Source Correlates to COVID-19 Risk Misperception
Notice bibliographique
Résumé
Inaccurate perceptions of COVID-19 (coronavirus disease 2019) risk may decrease compliance with public health mitigation practices, in turn increasing disease burden. The extent to which public perceptions of COVID-19 risk are inaccurate is not well studied. This study investigates the relationship between preferred information sources and inaccurate COVID-19 risk perception. A cross-sectional online survey of adults in the United States using online snowball techniques was administered between April 9, 2020 and July 12, 2020. Raking techniques were used to generate a representative U.S. sample from 10,650 respondents. Respondents who did not provide an answer to key questions were excluded. The remaining sample included 1,785 health care workers (HCW) and 4,843 non-HCW. Subjective risk was measured as the product of perceived likelihood of COVID-19 infection and perceived harm from infection. Objective risk was measured as a function of the presence of known COVID-19 risk factors. Discrepancies between subjective and objective risk were compared between respondents with different preferred information sources. Chi Square contingency tables and pair-wise correlation were used to evaluate differences to 95% confidence. For HCW and non-HCW, the greatest overestimation of personal COVID-19 risk assessment ( p < .05 for all differences) were found in those whose preferred source of information was social media (HCW: 62.1%; non-HCW: 64.5%), followed by internet news sources (HCW: 59.6%, non-HCW%: 59.1%), government websites (HCW: 54%, non-H CW = 51.8%), other sources (HCW: 50.7%, non-H CW = 51.4%), and television news (HCW: 46.1%, non-HCW: 47.6%). Preferred information sources correlate with inaccuracies in personal COVID-19 risk assessment. Public health information campaigns should consider targeting groups whose preferred information sources correlate to higher inaccuracies in COVID-19 risk perceptions. [ HLRP: Health Literacy Research and Practice . 2023;7(2):e105–e110. ]
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 | 0,003 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».