Desinformación y vacunas en redes

Abstract

Introducción: Los bulos antivacunas son un tipo de desinformación sanitaria con gran peligro, dados sus efectos tangibles en la sociedad. Existen investigaciones relevantes sobre tipología de bulos, discursos negacionistas en redes o popularidad de las vacunas, pero este estudio aporta una visión complementaria y pionera, centrada en el discurso antivacunas de COVID-19 en Twitter desde la perspectiva del comportamiento de las cuentas que difunden desinformación. Metodología: A partir del método de FacTeR-Check, compuesto por cinco fases y una primera muestra basada en un centenar de bulos (diciembre de 2020 y septiembre de 2021) se descargaron 220.246 tuits, filtrados para trabajar con inteligencia artificial y técnicas de inferencia de lenguaje natural (NLI) sobre una segunda muestra de más de 36.000 tuits (N=36.292). Resultados: Los resultados ofrecen predominancias de algunos tipos de producción de desinformación, así como la eficacia de crear contenido original falso para agrupar seguidores o la identificación de un periodo (2013-2020) de más dominación de los usuarios que apoyan bulos, frente a los que los niegan. Discusión: El artículo muestra cómo la tipología o morfología de las cuentas puede ser un factor predictivo acerca del comportamiento de dichos usuarios respecto al caso particular de los bulos analizados. Conclusiones: Se ofrecen patrones de comportamiento del discurso antivacunas en Twitter, que pueden ayudar a gestionar futuros fenómenos similares. Dado el significativo tamaño de la muestra y de las técnicas empleadas, se puede concluir que este trabajo establece una base sólida para otros estudios comparativos sobre desinformación y salud en redes sociales.

Mapping automatic social media information disorder. The role of bots and AI in spreading misleading information in society

“…Title 174 [223] Social media and fake news in the post-truth era: The manipulation of politics in the election process 175 [224] An analysis of fake narratives on social media during 2019 Indonesian presidential election 176 [225] Unlink the link between COVID-19 and 5G Networks: an NLP and SNA based Approach 177 [226] Fake News Detection Using Machine Learning Ensemble Methods 178 [227] Social Network Analysis of COVID-19 Public Discourse on Twitter: Implications for Risk Communication 179 [228] Lies Kill, Facts Save: Detecting COVID-19 Misinformation in Twitter 180 [229] The visual vaccine debate on twitter: A social network analysis 181 [230] "Tell us what's going on": Exploring the information needs of pregnant and postpartum women in Australia during the pandemic with 'Tweets', 'Threads', and women's views 182 [231] Paying SPECIAL consideration to the digital sharing of information during the COVID-19 pandemic and beyond 183 [232] Multiple social platforms reveal actionable signals for software vulnerability awareness: A study of GitHub, Twitter and Reddit 184 [233] Fake news analysis modeling using quote retweet 185 [234] Automatically appraising the credibility of vaccine-related web pages shared on social media: A twitter surveillance study 186 [235] Citizen journalism and public participation in the Era of New Media in Indonesia: From street to tweet 187 [236] Disinformation and vaccines on social networks: Behavior of hoaxes on Twitter [Desinformacio ´n y vacunas en redes: Comportamiento de los bulos en Twitter]…”

Comunicación en Vacunas: una mirada crítica sobre su impacto en la sociedad

“…La inmensa cantidad de información que se encuentra varia en calidad, también las plataformas no siempre cumplen con el contenido verificado, lo que lleva a que el individuo sea el que tenga que discernir según sus conocimientos previos y valores. 5 El brote de COVID-19 ha arrojado luz sobre las consecuencias dañinas de la desinformación. Las falsedades difundidas en línea, exacerbadas por la politización de la información, han obstaculizado las medidas preventivas y han reducido la confianza en iniciativas vitales como la vacunación.…”