The illusion of trust and the paradox of disclosure: how fake physician reviews exploit privacy concerns
Notice bibliographique
Résumé
Purpose Online reviews shape consumer decisions, even in healthcare, a credence service where expertise is difficult to evaluate. Like unethical retailers, some healthcare providers post fake reviews. However, the impact of fake reviews on potential patients remains unclear. Using a dataset of fake reviews, this study examines how patients perceive the helpfulness and trustworthiness of fraudulent vs genuine physician reviews. Design/methodology/approach We used an archival dataset containing a representative sample of 5,000 online physician reviews, both fake and genuine, and performed empirical analysis. In addition to the helpful votes obtained from the data, we used large language models to derive the perceived trustworthiness score. Findings Fake physician reviews are paradoxically perceived as more helpful and trustworthy than genuine reviews. To unravel the underlying mechanism, we investigated the extent of personalized and specific health information. We found that fake reviews often contain more personalized and specific health information, making them appear more credible. Research limitations/implications Results may not generalize beyond online physician reviews. Future research could extend this investigation to other contexts. Practical implications Online platforms may need to reconsider their approach to managing online reviews, address ethical concerns, and strengthen regulatory oversight in sensitive areas, particularly in healthcare. Originality/value This study highlights an ethical paradox: while patients seek detailed health information, privacy concerns limit real patients from sharing such details, creating an information gap that fake reviews exploit. This is the first study to make use of unique data that contains real fake online physician reviews.
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 | 0,028 | 0,222 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».