Twitter Misinformation Discourses About Vaping: Systematic Content Analysis
Notice bibliographique
Résumé
BACKGROUND: While there has been substantial analysis of social media content deemed to spread misinformation about electronic nicotine delivery systems use, the strategic use of misinformation accusations to undermine opposing views has received limited attention. OBJECTIVE: This study aims to fill this gap by analyzing how social media users discuss the topic of misinformation related to electronic nicotine delivery systems, notably vaping products. Additionally, this study identifies and analyzes the actors commonly blamed for spreading such misinformation and how these claims support both the provaping and antivaping narratives. METHODS: Using Twitter's (subsequently rebranded as X) academic application programming interface, we collected tweets referencing #vape and #vaping and keywords associated with fake news and misinformation. This study uses systematic content analysis to analyze the tweets and identify common themes and actors who discuss or possibly spread misinformation. RESULTS: This study found that provape users dominate the platform regarding discussions about misinformation about vaping, with provaping tweets being more frequent and having higher overall user engagement. The most common narrative for provape tweets surrounds the conversation of vaping being perceived as safe. On the other hand, the most common topic from the antivape narrative is that vaping is indeed harmful. This study also points to a general distrust in authority figures, with news outlets, public health authorities, and political actors regularly accused of spreading misinformation, with both placing blame. However, specific actors differ depending on their positionalities. The vast number of accusations from provaping advocates is found to shape what is considered misinformation and works to silence other narratives. Additionally, allegations against reliable and proven sources, such as public health authorities, work to discredit assessments about the health impacts, which is detrimental to public health overall for both provaping and antivaping advocates. CONCLUSIONS: We conclude that the spread of misinformation and the accusations of misinformation dissemination using terms such as "fact check," "misinformation," "fake news," and "disinformation" have become weaponized and co-opted by provaping actors to delegitimize criticisms about vaping and to increase confusion about the potential health risks. The study discusses the mixed types of impact of vaping on public health for both smokers and nonsmokers. Additionally, we discuss the implications for effective health education and communication about vaping and how misinformation claims can affect evidence-based discourse on Twitter as well as informed vaping 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 | 0,014 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».