DISCURSO SOBRE O COVID-19: A IMPORTÂNCIA DA CONFIANÇA NAS EVIDÊNCIAS CIENTÍFICAS E O PERIGO DA NEGAÇÃO DA VACINAÇÃO NAS MÍDIAS SOCIAIS
Bibliographic record
Abstract
Este trabalho discute a importância do discurso baseado em evidências científicas instituídas sobre o COVID-19 e o perigo da negação da vacinação nas mídias sociais.Com uma pandemia, à medida que as discussões sobre saúde pública se intensificaram, e a disseminação de informações falsas nas redes sociais tem sido um problema crescente.Movimentos antivacinação propagam informações infundadas e desencorajam as pessoas a se vacinarem, colocando em risco a saúde individual e coletiva.As principais alegações desses movimentos são sem base científica, como a ideia de que as vacinas são responsáveis por diversos homens, incluindo o autismo.Além disso, negar o uso da vacina minimiza a gravidade da pandemia e desencoraja as medidas de prevenção, como o uso de máscaras e o distanciamento social.As vacinas são uma das principais ferramentas que temos para combater a pandemia e proteger a população.Além disso, a mídia e as autoridades de saúde têm um papel importante na promoção de um discurso baseado em evidências científicas.A informação pode levar as pessoas a tomarem decisões equivocadas sobre a sua saúde e a saúde da comunidade.Portanto, é fundamental que a mídia se comprometa com a divulgação de informações precisas e monitore e que as autoridades de saúde trabalhem em conjunto para combater a desinformação e promover a saúde pública.Em resumo, é fundamental que o discurso sobre o COVID-19 seja baseado em evidências científicas.A negação do uso da vacina nas mídias sociais é um exemplo de discurso que pode colocar em risco a saúde individual e coletiva, e que deve ser combatido com informações precisas e mantidas.A confiança nas autoridades de saúde e nas evidências científicas, além da colaboração de todos, é necessária para controlar o controle do vírus e garantir um futuro mais seguro e saudável.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.147 | 0.277 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.005 | 0.019 |
| Scholarly communication | 0.015 | 0.010 |
| Open science | 0.004 | 0.008 |
| Research integrity | 0.011 | 0.015 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".