MétaCan
Menu
Retour à la cohorte
Enregistrement W4407484887 · doi:10.30935/jdet/15963

Primary school pupils’ ability to detect fake science news following a news media literacy intervention: Exploration of their success rate, evaluation strategies, self-efficacy beliefs, and views of science news

2025· article· en· W4407484887 sur OpenAlexafffund
Geneviève Allaire‐Duquette, Abdelkrim Hasni, Josée Nadia Drouin, Audrey Groleau, Mohamed Amine Mahhou, Alexis Legault, Akbar Khayat, Marie-Ève Carignan, Jean‐Philippe Ayotte‐Beaudet

Notice bibliographique

RevueJournal of Digital Educational Technology · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMisinformation and Its Impacts
Établissements canadiensUniversité du Québec à MontréalUniversité du Québec à Trois-RivièresAgence Science PresseUniversité de SherbrookeUniversité du Québec en Outaouais
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésMedia literacyIntervention (counseling)LiteracyScientific literacyPsychologyFake newsMedical educationMathematics educationPedagogyComputer scienceInternet privacyScience educationMedicine

Résumé

récupéré en direct d'OpenAlex

Widespread belief in scientific misinformation circulating online is a critical challenge for democracies. While research to date has focused on psychological, sociodemographic, and political antecedents to this phenomenon, fewer studies have explored the role of media literacy educational efforts, especially with children. Recent findings indicate that children are unprepared for critically evaluating scientific information online and that literacy instruction should address this gap. The aim of this study is to examine the ability to detect fake science news and the evaluation strategies employed by pupils after a news media literacy intervention. In addition, we explore the impact of the news media literacy intervention on their self-efficacy beliefs for detecting fake science news, and on their views of science news. A one-group experimental design was employed with a sample of 74 primary school pupils. A few weeks following a 2-hour media literacy intervention, pupils ranked ten Twitter posts on various scientific topics and were invited to justify their ranking in an open-ended question to unveil their evaluation strategies. Participants also completed one pre-test and one post-test designed to elicit their confidence in their ability to detect fake science news and their views of science news. We averaged pupils’ judgement accuracy, categorized student’s evaluation strategies, and compared self-efficacy beliefs before and after the intervention. On average, pupils’ accuracy when asked to detect fake science news was 68%. This performance is higher than success rates reported in previous studies where no news media literacy intervention was tested. Pupils relied mostly on knowledge in news media literacy to detect fake science news, but also in great proportion on prior scientific knowledge and intuitive reasoning. Fake news self-efficacy beliefs increased significantly after the intervention, but views of science news were not impacted by the intervention. Findings indicate that primary school pupils are capable of careful examination of the credibility of scientific news. Children are regularly exposed to misinformation, and knowledge on how to critically engage with scientific information should be taught as soon as this exposure begins. Our findings suggest that news media literacy training can be successfully facilitated with primary school pupils and could be effective in fighting scientific misinformation from a young age.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,010
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,396
Écart entre enseignants0,354 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Digital Educational TechnologyMême sujetMisinformation and Its ImpactsTravaux en français237 207