Deep Learning and Statistical Models to Analyse Online Misinformation and Hate Speech Impact on African Youth
Notice bibliographique
Résumé
This study examines the perceptions, behaviour, and digital experiences of African youth in relation to online misinformation and hate speech. Using a large-scale, cross-national survey with 10,005 valid responses, the research relies on both statistical clustering and deep learning-based autoencoder models to group youth together based on their trust in information, concern about misinformation, verification behaviours and platform usage. The dual-method analysis highlights three distinct behavioural and attitudinal clusters of youth, denoting different levels of digital skeptical engagement, exposure, and civic engagement. The findings highlight the heterogeneity within the youth population and emphasize that a one-size-fits-all approach to combating misinformation is insufficient. Notably, youth with high concern also demonstrated strong verification habits, while less engaged clusters exhibited low concern and limited digital resilience. These insights offer a foundation for designing cluster-specific interventions and media literacy strategies that are regionally and behaviourally responsive. This combination advances research through unsupervised deep learning on large social survey data, as well as demonstrating the utility of deep learning in revealing latent behaviours. The implications of this study's findings are timely for educators, policy makers and digital platforms more broadly, that want to foster informed and safe digital participation for African youth. As scalable, data-driven framework is a contribution towards an inclusive digital policy package for varied youth realities that exist in an African context.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| 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 ».