Development of a Conceptual Framework of Health Misinformation During the COVID-19 Pandemic: Systematic Review of Reviews
Notice bibliographique
Résumé
BACKGROUND: Despite the wide variety of studies that have focused on the recent COVID-19 infodemic, defining health mis- or disinformation remains a challenge due to the dynamic nature of the social media ecosystem and, in particular, the different terminologies from different fields of knowledge. OBJECTIVE: In this work, we aim to develop a conceptual framework of health misinformation during pandemic contexts that will enable the establishment of an interoperable definition of this concept and consequently a better management of these problems in the future. METHODS: We conducted a systematic review of reviews to develop a conceptual framework for health misinformation during the pandemic context as a case study. RESULTS: This review comprises 51 reviews from which we developed a conceptual framework that integrates 6 key domains-sources, drivers, content, dissemination channels, target audiences, and health-related effects of mis- or disinformation-offering a structured approach to analyze and categorize health misinformation. These 6 domains collectively form the basis of our proposed conceptual framework. CONCLUSIONS: Our results highlight the complexity and multifaceted nature of health disinformation and underscore the need for a common language across disciplines addressing this global problem in order to use interoperable definitions and advance this evolving field of study. By offering a structured conceptual framework, we also provide a valuable foundation for interventions aimed at surveillance, public communication, and digital content moderation in future health emergencies.
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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,061 | 0,166 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,008 |
| Bibliométrie | 0,046 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».