Toxicity and Misinformation: Drivers of Social Media Discontinuation and Implications for Facilitating Agricultural Innovation in Ontario
Notice bibliographique
Résumé
Social media platforms are increasingly pivotal for facilitating agricultural innovations, yet their effectiveness in Ontario’s agri-food sector is compromised by misinformation, toxicity, and user discontinuation. This study examines how agri-food actors (producers, advisors, policymakers, researchers, and industry representatives) engage with social media for advisory services, the drivers of platform abandonment, and preferred alternatives for receiving emerging technology information. Deploying an online survey via Qualtrics (*n* ≈ 40–60 purposively sampled stakeholders), the research assesses: (1) frequency and purposes (e.g., networking, outreach, crowdsourcing) of social media use across platforms (Facebook, X, LinkedIn, YouTube, etc.); (2) reasons for reducing or quitting platforms (e.g., misinformation prevalence, anti-social behavior, privacy concerns); and (3) shifts in communication channels post-discontinuation. Thematic analysis of open-ended responses contextualizes quantitative trends, particularly regarding misinformation encounters (e.g., false agri-tech claims) and experiences with harassment (e.g., identity-based attacks). Crucially, the study identifies how these factors impede technology diffusion and stakeholder trust. Preliminary insights suggest heterogeneity in platform preferences across demographics (age, professional role) and commodity sectors (livestock, crops), with implications for designing resilient, inclusive advisory systems. By mapping discontinuation drivers and channel migration patterns, this work will inform evidence-based strategies—including hybrid digital-in-person approaches and platform-specific content moderation protocols—to optimize agricultural innovation outreach in Ontario. Findings aim to strengthen policy frameworks and extension programs, ensuring timely, credible knowledge transfer amid evolving digital risks.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,004 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».