Partisan Media, Trust, and Media Literacy: Regression Analysis of Predictors of COVID-19 Knowledge
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic was a devastating public health event that spurred an influx of misinformation. The increase in questionable health content was aided by the speed and scale of digital and social media and certain news agencies' and politicians' active dissemination of misinformation about the virus. The popularity of certain COVID-19 myths created confusion about effective health protocols and impacted trust in the health care and government sectors deployed to manage the pandemic. OBJECTIVE: This study explored how people's information habits, their level of institutional trust, the news media outlets they consume and the technologies in which they access it, and their media literacy skills influenced their COVID-19 knowledge. METHODS: We administered a web-based survey using Amazon Mechanical Turk (MTurk) to assess US adults' (n=1498) COVID-19 knowledge, media and news habits, media literacy skills, and trust in government and health-related institutions. The data were analyzed using a hierarchical linear regression to examine the association between trust, media literacy, news use, and COVID-19 knowledge. RESULTS: =0.455) in predicting COVID-19 knowledge scores. People who identified as politically conservative, watched Fox News, and reported lower levels of institutional trust and media literacy, scored lower on COVID-19 knowledge questions than those who identified as politically liberal, did not watch Fox News and reported higher levels of institutional trust and media literacy. CONCLUSIONS: This study suggests that the media outlets people turn to, their trust in institutions, and their perceived degree of agency to discern credible information can impact people's knowledge of COVID-19, which has potential implications for managing communication in other public health events.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».