Use of Implementation Science Concepts in the Study of Misinformation: A Scoping Review
Notice bibliographique
Résumé
Misinformation hinders the impact of public health initiatives. Efforts to counter misinformation likely do not consider the full range of factors known to affect how individuals make decisions and act on them. Implementation science tools and concepts can facilitate the development of more effective interventions against health misinformation by leveraging advances in behavior specification, uptake of evidence, and theory-guided development and evaluation of complex interventions. We conducted a scoping review of misinformation literature reviews to document whether and how important concepts from implementation science have already informed the study of misinformation. Of 90 included reviews, the most frequently identified implementation science concepts were consideration of mechanisms driving misinformation (78%) and ways to intervene on, reduce, avoid, or circumvent it (71%). Other implementation science concepts were discussed much less frequently, such as tailoring strategies to the relevant context (9%) or public involvement in intervention development (9%). Less than half of reviews (47%) were guided by any theory, model, or framework. Among the 26 reviews that cited existing theories, most used theory narratively (62%) or only mentioned/cited the theory (19%), rather than using theory explicitly to interpret results (15%) or to inform data extraction (12%). Despite considerable research and many summaries of how to intervene against health misinformation, there has been relatively little consideration of many important advances in the science of health care implementation. This review identifies key areas from implementation science that might be useful to support future research into designing effective misinformation interventions.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».