Addressing misleading medical information on social media: a scoping review of current interventions
Notice bibliographique
Résumé
BACKGROUND: Misleading information about medical products on social media may cause overuse. OBJECTIVES: Explore interventions targeting the problem of misleading medical information and marketing on social media, with a focus on preventing medical overuse including overdiagnosis. ELIGIBILITY CRITERIA: We included peer-reviewed studies with original data on an intervention targeting misleading medical information on social media and governmental/institutional responses with and without evaluation. We excluded responses relating to COVID-19. SOURCES OF EVIDENCE: four electronic databases: MEDLINE/PubMed, PsycINFO, Academic Search Complete and Web of Science, and searches of grey literature on Google and Google Scholar. Search date: 9 June 2025. DATA CHARTING: We used prespecified data forms populated in duplicate by two reviewers. RESULTS: We identified 27 peer-reviewed articles and 25 organisational and governmental responses (grey literature). 20 (74%) of the peer-reviewed interventions targeted the consumer to enhance 'media literacy', support decision-making or warn about misinformation trends. Approaches included education, such as videos or information materials, to improve detection of misinformation, as well as correcting misinformation and rebutting claims. Only two (7.4%) of the peer-reviewed approaches were sensitive to the problem of medical overuse: a risk-of-deception tool and an informed decision-making service. The grey literature about government and organisational responses chiefly comprised general advertising regulations and other educational resources for consumers to identify and navigate misinformation. The advertising regulations ranged from self-regulatory codes of practice to mandatory regulations, requiring pre-approval of social media marketing material. Most regulations stated advertising should be truthful, presenting both benefits and harms and not be misleading. Most of the grey literature (64%) was sensitive to medical overuse, though none referred explicitly to the problem. CONCLUSIONS: Current efforts to address misleading medical marketing on social media often overlook the critical issue of medical overuse and fail to provide sufficient consumer protections in this rapidly evolving digital landscape of social media, such as the speed of dissemination, reach and the role of third-party advertising. These gaps in research, regulation and practice present significant opportunities to strengthen evidence-based policies and public health responses. TRIAL REGISTRATION DETAILS: https://doi.org/10.17605/OSF.IO/2NJSH.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Communication savante Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Revue systématique | medium |
| gpt | aucune catégorie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Revue systématique | high |
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 | 0,011 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».