MétaCan
Menu
Retour à la cohorte
Enregistrement W4414833709 · doi:10.1136/bmjebm-2025-113704

Addressing misleading medical information on social media: a scoping review of current interventions

2025· review· en· W4414833709 sur OpenAlexaff
Emma Grundtvig Gram, Ray Moynihan, Tessa Copp, Patti Shih, Loai Albarqouni, Elie A. Akl, Courtney Smith, Leah Hardiman, Brooke Nickel

Notice bibliographique

RevueBMJ evidence-based medicine · 2025
Typereview
Langueen
DomaineSocial Sciences
ThématiqueMisinformation and Its Impacts
Établissements canadiensMcMaster UniversityImpact
Organismes subventionnairesNational Health and Medical Research CouncilMedical Research Council
Mots-clésPsychological interventionSocial mediaPublic healthPublic policyMedical informationMEDLINEDigital health

Résumé

récupéré en direct d'OpenAlex

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.

BrasCatégoriesDevis d'étudeConfiance
gemmaCommunication savante
Domaine: non disponible · Genre: Synthèse
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Revue systématiquemedium
gptaucune catégorie
Domaine: non disponible · Genre: Synthèse
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Revue systématiquehigh
modèles en désaccordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,024
score de la tête « metaresearch » (Gemma)0,114
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,124

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0240,114
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0070,008
Bibliométrie0,0200,013
Études des sciences et des technologies0,0010,002
Communication savante0,0060,005
Science ouverte0,0040,003
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0110,001

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.

Tête enseignante Opus0,633
Tête enseignante GPT0,615
Écart entre enseignants0,018 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

Communication savante

Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ evidence-based medicineMême sujetMisinformation and Its ImpactsCatégorieCommunication savanteTravaux en français237 207