Detecting Disinformation about Health in Social Media: A Review of Four Inductive Studies
Notice bibliographique
Résumé
Social media enable fast and widespread dissemination of information, both honest and dishonest. Misinformation is generally spread unintentionally. Disinformation, on the other hand, is intentionally dishonest and is designed to harm individuals and organizations, which usually benefts the sender fnancially. Health-related disinformation can be especially dangerous if people act on its claims. How do people determine if health content on social media is honest or if it contains disinformation? This review considers four papers about inductive research studies, where participants were exposed to actual social media posts about 10 health topics, ranging from weight loss to COVID-19 vaccines. Some of the posts were honest and some were dishonest. Participants in all four studies were asked to evaluate the veracity of the posts that they saw and to provide the reasons for their evaluations. Two studies were online surveys. The other studies were conducted in the lab, where the eye movements of participants were recorded with an eye tracker. The key fndings from the review were: (1) People were relatively good at detecting health-related disinformation, with detection success rates ranging from 66% to 90%; (2) People most frequently cited the quality of the source of a post as the reason they decided it was honest; (3) Variables key to successful detection were need for cognition and gender (and to a lesser extent, political aÿliation, education, and age); (4) In the eye tracking studies, the most common determinants of fxations on particular parts of a post were need for cognition, gender, and the veracity of the post; (5) The most important measure of fxation that infuenced detection success was number of fxations; and (6) Overall, need for cognition was the key factor in successful disinformation detection.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 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 ».