Expert and non-expert perceptions of risk: Improving the risk communication of cancer
Notice bibliographique
Résumé
Cancer clusters constitute geographical areas where the frequency of cancer diagnoses during a given period of time occur more frequently than expected by chance. Cancer clusters can impact perceptions of risk and generate significant anxiety in communities. Unfortunately, cluster investigations rarely yield the answers citizens seek around a definitive cause of cancer due to the long latency of cancer and other factors. As a result, health officials may appear to be withholding information and not doing enough to address public concerns. Effective cancer risk communication may also be hindered by other stakeholders such as the media, who sometimes sensationalize risks from environmental hazards, which can distort the public’s perceptions of risks. The result may be a community dissatisfied with a cluster investigation’s results, or worse, a community that distrusts local leaders and doesn’t understand the information reported by expert officials. The four studies comprising this dissertation aimed to summarize key issues with the communication of and investigation of cancer clusters in Canada; test the impact of different types of cancer information on risk perceptions; and explore whether individual characteristics and skills were linked to positive attitudes about coping with cancer risks. An analysis of cancer news coverage and interviews with Canadian public health officials revealed that communities may be receiving inadequate and inconsistent information about cancer risks during cluster investigations. In addition, an experiment and survey revealed information trustworthiness and individuals’ numeracy and health literacy to be important factors shaping cancer risk perceptions and attitudes. This work has significant implications for risk communicators and educators seeking improved methodologies of cancer risk communication and risk education to (1) manage differences in cancer risk perceptions between experts and non-experts (2) enhance public trust in institutions and perceptions of expert competence and (3) inform future educational interventions that promote cancer coping beliefs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,080 | 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 ».