Disinformation about COVID-19: a study of knowledge, attitudes and practices in the Peruvian population in the first quarter of 2021
Notice bibliographique
Résumé
Antecedentes: La desinformación ha tenido un efecto muy importante en la actualidad, el cual representa un desafío tremendo y continuo durante la pandemia de COVID-19. Objetivo: Evaluar la asociación entre la desinformación y los conocimientos, actitudes y prácticas acerca del COVID-19 en una muestra de sujetos en Perú. Métodos: Se realizó un estudio observacional transversal analítico, por medio de una encuesta online a 1014 residentes de Perú entre el 2 de febrero hasta el 24 de marzo del 2021. Para realizar esto, se diseñó y validó un instrumento compuesto por 3 secciones, una de características demográficas, otra de desinformación y una que aborda los conocimientos, actitudes y prácticas. Resultados: Se analizaron 1014 encuestas, con una edad promedio de 34.8 años. El promedio del puntaje del cuestionario de desinformación fue de 30.5 de 100 (SD 16.2). Los puntajes observados en los cuestionarios de conocimientos, actitudes y prácticas fueron 80.2±12.6, 90.1±14 y 84.02±11, respectivamente. Un menor puntaje en el cuestionario de desinformación se asoció con un buen nivel conocimientos (RP = 0.99; IC95% 0.98 - 0.99; p=<0.001) y con buenas actitudes (RP = 1.00; IC95% 1.00 – 1.00; p=0.004). El sexo femenino se asoció con tener buenas actitudes (RP = 1.06; IC 95% 1.02 – 1.11; p=0.002) y buenas prácticas (RP = 1.14; IC 95% 1.07 – 1.2; p=0.031). Además, se identificó que la edad se asocia a buenas prácticas (RP = 1.00; IC95% 1.010 – 1.01; p=<0.001). Conclusiones: Las personas que tienen mayores niveles de desinformación tienen un menor nivel de conocimiento y más actitudes inadecuadas frente al COVID-19.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».