Fact-Checking Cancer Information on Social Media in Japan: Retrospective Study Using Twitter
Notice bibliographique
Résumé
BACKGROUND: The widespread use of social media has made it easier for patients to access cancer information. However, a large amount of misinformation and harmful information that could negatively impact patients' decision-making is also disseminated on social media platforms. OBJECTIVE: We aimed to determine the actual amount of misinformation and harmful information as well as trends in the dissemination of cancer-related information on Twitter, a representative social media platform. Our findings can support decision-making among Japanese patients with cancer. METHODS: Using the Twitter app programming interface, we extracted tweets containing the term "cancer" in Japanese that were posted between August and September of 2022. The eligibility criteria were the cancer-related tweets with the following information: (1) reference to the occurrence or prognosis of cancer, (2) recommendation or nonrecommendation of actions, (3) reference to the course of cancer treatment or adverse events, (4) results of cancer research, and (5) other cancer-related knowledge and information. Finally, we selected the top 100 tweets with the highest number of "likes." For each tweet, 2 independent reviewers evaluated whether the information was factual or misinformation, and whether it was harmful or safe with the reasons for the decisions on the misinformation and harmful tweets. Additionally, we examined the frequency of information dissemination using the number of retweets for the top 100 tweets and investigated trends in the dissemination of information. RESULTS: The extracted tweets totaled 69,875. Of the top 100 cancer-related tweets with the most "likes" that met the eligibility criteria, 44 (44%) contained misinformation, 31 (31%) contained harmful information, and 30 (30%) contained both misinformation and harmful information. Misinformation was described as Unproven (29/94, 40.4%), Disproven (19/94, 20.2%), Inappropriate application (4/94, 4.3%), Strength of evidence mischaracterized (14/94, 14.9%), Misleading (18/94, 18%), and Other misinformation (1/94, 1.1%). Harmful action was described as Harmful action (9/59, 15.2%), Harmful inaction (43/59, 72.9%), Harmful interactions (3/59, 5.1%), Economic harm (3/59, 5.1%), and Other harmful information (1/59, 1.7%). Harmful information was liked more often than safe information (median 95, IQR 43-1919 vs 75.0 IQR 43-10,747; P=.04). The median number of retweets for the leading 100 tweets was 13.5 (IQR 0-2197). Misinformation was retweeted significantly more often than factual information (median 29.0, IQR 0-502 vs 7.5, IQR 0-2197; P=.01); harmful information was also retweeted significantly more often than safe information (median 35.0, IQR 0-502 vs 8.0, IQR 0-2197; P=.002). CONCLUSIONS: It is evident that there is a prevalence of misinformation and harmful information related to cancer on Twitter in Japan and it is crucial to increase health literacy and awareness regarding this issue. Furthermore, we believe that it is important for government agencies and health care professionals to continue providing accurate medical information to support patients and their families in making informed decisions.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».