La pandémie en ligne: Comment faire face à l'hésitation vaccinale et à l'infodémie de COVID-19
Bibliographic record
Abstract
L 'émergence de la pandémie de COVID-19 dans les dernières semaines de 2019 a déclenché des ramifications médicales, économiques et sociales incommensurables. 1 Au moment de la rédaction du présent document, 3,8 millions de cas de COVID-19 et 40 000 décès ont été signalés au Canada. 2 Bien que de nombreux vaccins sécuritaires et efficaces existent contre les micro-organismes qui peuvent devenir pandémiques, dont le SARS-CoV-2 (l'agent causal du COVID-19), 3 leur développement, bien que nécessaire, est insuffisant.Si le public n'a pas une perception positive de l'utilité et de la sécurité des vaccins, ces derniers sont inutiles au niveau de la population.4,5 Il existe donc un besoin important d'interventions et de politiques visant à favoriser l'acceptation des vaccins par la communauté.L'Organisation mondiale de la santé (OMS) définit l'hésitation vaccinale comme un "retard dans l'acceptation ou le refus des vaccins malgré la disponibilité des services de vaccination".6 Les sceptiques des vaccins sont aussi vieux que les vaccins eux-mêmes; lorsque Edward Jenner a introduit pour la première fois le vaccin contre la variole en 1796, il a été décrié comme un "outil satanique s'opposant à la volonté de Dieu" et a conduit à la création de la première Ligue anti-vaccination.7,8 Aujourd'hui, la mise en place d'un vaccin doit faire face à un nouveau type de pandémie, appelée "infodémie", qui désigne la "distribution rapide d'informations sur une plateforme électronique dans le but d'informer la santé publique et les politiques".9 Dans le contexte de COVID-19, cela a entraîné une surabondance d'informations exactes et erronées.10 En particulier, les plateformes de médias sociaux ont été impliquées dans la diffusion de fausses informations.Les groupes anti-vaccins, dont la "Disinformation Dozen", continuent de gagner en popularité, 11 et les vidéos antivaccins sur YouTube sont beaucoup plus visionnées que les vidéos provaccins.12 La diffusion de fausses informations pendant les épidémies remonte au Moyen Âge. 13 À l'époque moderne,
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 | 0.004 | 0.023 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.013 | 0.018 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".