How does misinformation influence the digital agri-food advisory service? Multi-stakeholder Perspectives from Sri Lanka
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Misinformation can be a significant issue in the agri-food sector, just as it is in health and politics. The rise of social media has changed the way agri-food actors communicate, making it easier for them to connect and overcome the challenges of limited resources and slow service. However, while social media’s ease of access and rapid dissemination of information has benefits, it also creates a fertile ground for spreading misinformation. Understanding misinformation and its related issues can help inform strategies to address it. This study analyzed the perspectives of farmers, researchers, advisors, and input dealers on misinformation and its influence on agri-food advisory services in the virtual realms of social and online media in Sri Lanka. Using Q-methodology, we found three distinct perspectives on the issue. The first perspective sees social media as a great tool for connecting people but also a significant source of misinformation. The second perspective shows that the main motivation for spreading misinformation in the agri-food sector is the profit generated by those unfamiliar with farmers’ challenges. The third perspective sees misinformation as spreading quickly and difficult to counteract but acknowledges that it can be posted and shared by mistake. All three perspectives emphasize the need to improve digital literacy skills, develop an effective moderation strategy, and adopt a political economy of agri-food misinformation, and cultivate a multi-stakeholder collaboration to combat it. This study is the first of its kind and helps improve our understanding of this pressing issue. It provides valuable insights and impetus for future research, as we anticipate that agricultural advisory services will continue to embrace various digital tools.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| 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 découle