How older adults manage misinformation and information overload - A qualitative study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic was characterized by an abundance of information, some of it reliable and some of it misinformation. Evidence-based data on the impact of misinformation on attitudes and behaviours remains limited. Studies indicate that older adults are more likely to embrace and disseminate misinformation than other population groups, making them vulnerable to misinformation. The purpose of this article is to explore the effects of misinformation and information overload on older adults, and to present the management strategies put in place to deal with such effects, in the context of COVID-19. METHODS: A qualitative exploratory approach was adopted to conduct this research. A total of 36 semi-structured interviews were conducted with older adults living in Quebec, Canada. The interviews were fully transcribed and subjected to a thematic content analysis. RESULTS: Participants said they could easily spot misinformation online. Despite this, misinformation and its treatment by the media could generate fear, stress and anxiety. Moreover, the polarization induced by misinformation resulted in tensions and even friendship breakdowns. Participants also denounced the information overload produced largely by the media. To this end, the participants set up information routines targeting the sources of information and the times at which they consulted the information. CONCLUSIONS: This article questions the concept of vulnerability to misinformation by highlighting older adults' agency in managing misinformation and information overload. Furthermore, this study invites us to rethink communication strategies by distinguishing between information overload and misinformation.
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 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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,014 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».