Effective Infodemic Management: A Substantive Article of the Pandemic Accord
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Social media has proven to be valuable for disseminating public health information during pandemics. However, the circulation of misinformation through social media during public health emergencies, such as the SARS (severe acute respiratory syndrome), Ebola, and COVID-19 pandemics, has seriously hampered effective responses, leading to negative consequences. Intentionally misleading and deceptive fake news aims to harm organizations and individuals. To effectively respond to misinformation, governments should strengthen the management of an "infodemic," which involves monitoring the impact of infodemics through social listening, detecting signals of infodemic spread, mitigating the harmful effects of infodemics, and strengthening the resilience of individuals and communities. The global spread of misinformation requires multisectoral collaboration, such as researchers identifying leading sources of misinformation and superspreaders, media agencies identifying and debunking misinformation, technology platforms reducing the distribution of false or misleading posts and guiding users to health information from credible sources, and governments disseminating clear public health information in partnership with trusted messengers. Additionally, fact-checking has room for improvement through the use of automated checks. Collaboration between governments and fact-checking agencies should also be strengthened via effective and timely debunking mechanisms. Though the Intergovernmental Negotiating Body (INB) has yet to define the term "infodemic," Article 18 of the INB Bureau's text, developed for the Pandemic Accord, encompasses a range of actions aimed at enhancing infodemic management. The INB Bureau continues to facilitate evidence-informed discussion for an implementable article on infodemic management.
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.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle