Effects of Intervention Timing on Health-Related Fake News: Simulation Study
Notice bibliographique
Résumé
BACKGROUND: Fake health-related news has spread rapidly through the internet, causing harm to individuals and society. Despite interventions, a fenbendazole scandal recently spread among patients with lung cancer in South Korea. It is crucial to intervene appropriately to prevent the spread of fake news. OBJECTIVE: This study investigated the appropriate timing of interventions to minimize the side effects of fake news. METHODS: A simulation was conducted using the susceptible-infected-recovered (SIR) model, which is a representative model of the virus spread mechanism. We applied this model to the fake news spread mechanism. The parameters were set similarly to those in the digital environment, where the fenbendazole scandal occurred. NetLogo, an agent-based model, was used as the analytical tool. RESULTS: Fake news lasted 278 days in the absence of interventions. As a result of adjusting and analyzing the timing of the intervention in response to the fenbendazole scandal, we found that faster intervention leads to a shorter duration of fake news (intervention at 54 days = fake news that lasted for 210 days; intervention at 16 days = fake news that lasted for 187 days; and intervention at 10 days = fake news that lasted for 157 days). However, no significant differences were observed when the intervention was performed within 10 days. CONCLUSIONS: Interventions implemented within 10 days were effective in reducing the duration of the spread of fake news. Our findings suggest that timely intervention is critical for preventing the spread of fake news in the digital environment. Additionally, a monitoring system that can detect fake news should be developed for a rapid response.
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 | 0,004 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».