From Hashtags to Headlines: Applying Framing Theory to COVID-19 Vaccine Misinformation across Social Platforms and Cable News
Notice bibliographique
Résumé
This case study analyzes the dissemination of COVID-19 misinformation through the lens of framing theory. Social media misinformation has dramatically affected people’s vaccination intentions, and framing is the method by which people develop a clear concept regarding a problem. Drawing on the KFF COVID-19 Vaccine Monitor and a three-month public opinion monitor of over 1,000 posts on Twitter and Facebook, the study examines two prominent sources shaping online discourse: partisan leadership (e.g., Governor Ron DeSantis) and cable news (e.g., Fox News). Using Hallahan’s models of framing—especially framing of issues and framing of news—the analysis shows how selective emphasis, wording, and agenda building present “objective facts” in ways that mobilize skepticism toward vaccines and reinforce partisan divides. Findings indicate that persistent negative frames (e.g., “vaccines do not prevent infection”) travel widely on social platforms and interact with political identity to lower vaccination intent. The article discusses implications for public health communication and media practice in mitigating the effects of the infodemic.
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 | 0,012 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,006 | 0,009 |
| Communication savante | 0,009 | 0,017 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».