Polluting the discourse: How misinformation impacts climate change advocacy
Notice bibliographique
Résumé
While scientists, governments, and climate change advocates grapple with finding solutions for the devastating consequences of global warming, communicating this urgency to the public has proved to be an even larger challenge (Marshall, 2014). Communication barriers such as fuel-industry interference, the public’s lack of scientific literacy, and the public’s inability to comprehend the risk that climate change poses (Marshall, 2014), are hindering advocates’ efforts to make the necessary change to mitigate this existential threat. Furthermore, the increased use of social media to disseminate information has led to echo chambers and an environment in which misinformation spreads faster than credible information (Treen et al., 2020). Through in-depth interviews with senior climate change advocates and communications specialists, complemented by a content analysis of social media climate change discussions, this study examines these communications barriers and identifies potential solutions to creating impactful campaigns. Using a content analysis as a secondary research method, it. demonstrates that misinformation is more likely to be shared on Facebook than on Twitter and that while misleading climate change information receives the most shares from online users, fabricated misinformation actually has the highest reach. The results reveal that an audience-tailored approach that considers individual motivations and social identities, and focuses on building trust, can help advocates advance their organizations’ missions through effective communications strategies. Further research is recommended to conduct empirical testing of these strategies to provide quantitative evidence of their efficacy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,056 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».