“В разгар шествия Covid-19 по планете мы столкнулись с инфодемией — огромным потоком научных (и не очень) материалов в прессе, содержащих зачастую ошибочные и противоречивые выводы. Спешка с публикацией исследований на пике коронавирусной пандемии привела к возникновению огромного потока непроверенных гипотез и безответственных рекомендаций”, — пишет Хэйз. А его коллега Брайан Данливи сообщает, что, согласно данным исследования, опубликованного в Американском журнале тропических растений, “82% ранней онлайн информации по Covid-19 были слухами, голословными сведениями и теориями заговора”: “К сожалению, наши СМИ хватаются за любую информацию и выкладывают её на свои страницы. Иногда — в порядке размышления (на что большинство читателей не обращают внимания, принимая написанное как свидетельство случившегося факта, а даваемые специалистами советы — как приказы, обязательные к исполнению), но чаще — в режиме гонки за событиями”.
“Например, возвращение Covid-19 в Новую Зеландию сопровождалось “инфодемией” слухов, домыслов и откровенной дезинформации, спровоцировавшей в целом недоверие к учёным”, — пишет портал Research Professional News.
“Спешка с публикацией результатов привела к ошибкам”, — цитирует портал Laboratory Equipment Ганеша Мани, инвестора в сфере технологий и профессора Института исследований программного обеспечения Университета Карнеги-Меллона, и Тома Хоупа, научного сотрудника Института искусственного интеллекта Аллена. В авторской статье в журнале Patterns они утверждают, что необходимы новые законы и новые технологии, чтобы гарантировать надлежащее признание информации актуальной и надёжной.
За прошедшие с момента вспышки заболеваемости Covid-19 несколько месяцев научные журналы опубликовали более 8 000 научных статей, связанных с новым коронавирусом. Естественно, что при таком потоке материала среднее время рецензирования текстов сократилось со 117 до 60 дней. В результате общественность, врачи и чиновники от здравоохранения были просто перегружены обилием научной информации, не успевая её воспринимать, понимать и адаптировать к конкретным случаям. Мани и Хоуп предлагают использовать машинное обучение и компьютерные алгоритмы для того, чтобы отфильтровывать сомнительную информацию от проверенной и надёжной.
