Anti-masking Posts on Instagram: Content Analysis During the COVID-19 Pandemic
Notice bibliographique
Résumé
Background: The SARS-CoV-2 viral outbreak has been conflicts with the past-tense narrative elsewhere in the abstract.; the infodemic. Misinformation about the virus and disease it causes (COVID-19) has been linked with authority-questioning beliefs, co-branding with conspiracies, and other misinformation across social media. Distrust in simple occupational and public health tools we have at our disposal (like well-fitting face masks) has proliferated. Despite attempts to curb the spread of untrue or misleading information on COVID-19, this messaging persists on social media. Methods: Using a clean and cleared account, the 300 top posts under the hashtag #masksdontwork were collected on Instagram for thematic analysis over three weeks in June 2022, with three separate data collection dates. Themes contained in the posts were independently assessed by two coders and discrepancies were resolved by consensus. Results: The most dominant theme among posts was mistrust, including "government lies" and "media lies." Anti-masking rhetoric was the second most frequent theme, where "freedom" and "disbelief in data" were common sub-themes. Conclusion: Science denial and propaganda shared among Instagram users may represent an onramp to consumption of broader conspiracy theories and government distrust, in addition to having negative health effects and social consequences for workers regardless of whether they wear masks. Social media algorithms promote similar misinformation or authority-questioning beliefs to users who view related content. Addressing the spread of health-related misinformation can assist in deconstructing myths and increasing trust in public health authorities and prevent the spread of communicable diseases among workers and the public.
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 | 0,002 | 0,000 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».