Evaluating the Feasibility of Web-Monitoring Methodology for Measuring Exposure to Online Cancer Misinformation
Notice bibliographique
Résumé
Unlabelled: Understanding the impact of online cancer misinformation exposure on health outcomes is an area of growing concern, but few methods exist to objectively measure this exposure. The primary aim of this paper is to describe the lessons learned in using web-monitoring software to measure exposure to online cancer misinformation among patients with cancer. These lessons learned emerged from our experience conducting a prospective pilot study from October 2022 to August 2023 wherein we adopted commercially available web-monitoring software to capture cancer-related web content. A total of 56 patients with cancer completed a baseline survey, and 17 of these participants installed web-monitoring software on their personal computer for 30 days and completed a follow-up survey. We use implementation outcomes to describe the feasibility of this methodological approach using lessons learned in 3 topic areas, namely data quality, software implementation, and participant acceptability. We found the web-monitoring data to be appropriate for our research aim to objectively measure cancer misinformation exposure, although compatibility issues with social media websites and mobile devices negatively impacted data quality. A complex installation process negatively impacted implementation and caused an unknown number of participants to drop out after the baseline survey. Among participants who completed the study, reported acceptability of web-monitoring software for research purposes was high, though potentially biased by selective retention. This pilot study testing web-monitoring software for research purposes among patients with cancer demonstrates high acceptability but low feasibility due to implementation barriers. We propose practical solutions to address these barriers and believe the lessons learned here offer a promising foundation for improving methods to objectively measure patient exposure to online cancer information. Future studies should focus on exploring perceptions of web-monitoring among nonparticipants, considering alternative approaches, and expanding web-monitoring to include mobile devices.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».