Infodemic Exposure and People’s Reliance on COVID-19 Information Sources: Cross-sectional study in ten countries
Notice bibliographique
Résumé
This paper explores the relationship between the reliance on different information sources and infodemic exposure in the early phases of the pandemic. The aim is to identify the sources that create less infodemic. We analyze high-quality secondary data from two studies using a 10-country sample: the US, UK, Canada, Brazil, France, Germany, Italy, Japan, South Africa, and South Korea. Study 1 analyzes infodemic exposure through an analysis of 3,723,920 COVID-19 tweets. Likewise, study 2 analyzes reliance on COVID-19 information sources by surveying 10,000 respondents. This research provides perspectives and implications for the infodemic debunking to the government departments, public health organizations, and media industries by analyzing the correlations between these two studies. We found that people who rely on national government information sources about COVID-19 tend to be less exposed to the infodemic. Findings also suggest a correlation between the countries with higher COVID-19 confirmed cases and people’s reliance on the national government information sources. We found that people from countries with more unverified bots tweeting about COVID-19 tend to rely less on family and friends and social media as sources. Evidence also suggests that the most trusted spokespeople are scientists and health professionals rather than politicians. Finally, we observed 70% of the sample´s countries slightly reduced their risk of exposure to the infodemic within 12 months of the pandemic’s start.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».