AI Monitoring of Social Media to Assist in Crisis Preparedness and Response: COVID-19 Case Study
Notice bibliographique
Résumé
Social media has emerged as a critical frontier in public health, serving as both an information platform and a vector for the rapid spread of health-related false information. Infodemiology, the science of identifying and mitigating the consequences of infodemics, is increasingly vital for addressing public health challenges. The proliferation of false information, accelerated by Generative AI, poses significant risks, leading to adverse health outcomes, unnecessary suffering, and systemic burdens on health care providers and practitioners. This study presents an AI Agentic-like approach to crisis preparedness and response by leveraging AIIML analytics to develop a Capture/Track/Respond (CTR) framework for detecting and counteracting medical false information in real-time social media streams. Our analysis demonstrates high accuracy in identifying false information, enabling timely detection of developing issues, rapid interventions and reliable implementation of corrective measures. We focus on health crises as a specific concern, but the findings can be broadly generalized to any crisis. Our research question addresses the urgent need for scalable, data-driven tools to bolster global crisis preparedness and response, with a starting focus on emerging health crises. The CTR (Capture-Track-Respond) methodology is a template for an efficient, AI-powered framework for rapid detection and mitigation of false information-a critical capability in emergent scenarios where misinformation undermines public trust and safety. Given the potential for generalizability, CTR applies across diverse crisis types, from health emergencies to climate disruptions, which are typically reflected immediately in social media discourse. The flexibility of the approach enables targeted, culturally adaptive messaging via locally preferred digital channels, positioning CTR as a practical tool for humanitarian outreach. By providing health professionals with tools to engage underserved and marginalized populations in real time, this approach advances both global resiliency and health equity.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 ».