Video Experimental Relacionado
Updated: Sep 9, 2025
06:48
Breakfast Habits among Schoolchildren in the City of Uruguaiana, Brazil
Published on: July 29, 2020
4.7K
Prebunking y correcciones de fuentes creíbles aumentan la credibilidad de las elecciones: evidencia de los EE.UU. y
John M Carey1, Brian Fogarty2, Marília Gehrke3
1Department of Government, Dartmouth College, 6108 Hinman, Hanover, NH, USA.
Science advances
|August 29, 2025
Resumen
Los mensajes prebunking contrarrestan eficazmente la desinformación sobre el fraude electoral en los Estados Unidos y Brasil, aumentando la confianza de los votantes. Esta estrategia, que advierte de afirmaciones falsas y detalla la seguridad electoral, muestra efectos más duraderos que las correcciones de fuentes creíbles.
Área de la Ciencia:
- Ciencias políticas
- Estudios de comunicación
- Psicología
Sus antecedentes:
- La información errónea sobre los votantes y el fraude electoral constituyen una amenaza importante para los procesos democráticos.
- Se necesitan estrategias efectivas para combatir la propagación de afirmaciones falsas sobre la integridad de las elecciones.
Objetivo del estudio:
- Comparar la eficacia de dos tipos de mensajes distintos en la lucha contra el fraude electoral y la desinformación.
- Evaluar los impactos inmediatos y duraderos de estos mensajes en la confianza y las creencias del público en el fraude.
- Investigar el papel de la prevención de la persuasión en la eficacia de las estrategias de prevención.
Principales métodos:
- Análisis comparativo de las correcciones retrospectivas procedentes de fuentes creíbles y de los mensajes prospectivos de prebunking.
- Diseño experimental en los EE.UU. para evaluar el impacto de la advertencia de persuasión en la eficacia de prebunking.
- Recopilación y análisis de datos de estudios realizados en los Estados Unidos y Brasil.
Principales resultados:
- Ambos tipos de mensajes aumentaron la confianza electoral y redujeron las creencias de fraude en los Estados Unidos, con prebunking demostrando efectos más duraderos.
- En Brasil, el prebunking mostró efectos positivos constantes, mientras que las correcciones de fuentes creíbles tuvieron resultados menos constantes.
- Los efectos positivos del prebunking en los EE.UU. sólo se observaron cuando la advertencia de persuasión estaba ausente, lo que indica el impacto de la nueva información fáctica.
Conclusiones:
- Los mensajes prebunking son una herramienta prometedora para combatir la información errónea sobre el fraude electoral.
- La eficacia de las intervenciones puede variar según el país y el tipo de mensaje.
- El impacto del prebunking está vinculado a la entrega de nueva información fáctica, sin obstáculos por la advertencia de la intención persuasiva.
Más Videos Relacionados
Videos de Conceptos Relacionados
01:13Accuracy and Errors in Hypothesis Testing
282
Hypothesis testing is a fundamental statistical tool that begins with the assumption that the null hypothesis H0 is true. During this process, two types of errors can occur: Type I and Type II. A Type I error refers to the incorrect rejection of a true null hypothesis, while a Type II error involves the failure to reject a false null hypothesis.
In hypothesis testing, the probability of making a Type I error, denoted as α, is commonly set at 0.05. This significance level indicates a 5%...
In hypothesis testing, the probability of making a Type I error, denoted as α, is commonly set at 0.05. This significance level indicates a 5%...
282
01:31Confirmation Biases
7.2K
The confirmation bias is the tendency to focus on information that confirms our existing beliefs and ignore information that is inconsistent with our expectations. For example, if you think that your professor is not very nice, you notice all of the instances of rude behavior exhibited by the professor while ignoring the countless pleasant interactions he is involved in on a daily basis. Have you ever fallen prey to the confirmation bias, either as the source or target of such bias?
7.2K
01:15Systematic Error: Methodological and Sampling Errors
2.3K
In the case of systematic errors, the sources can be identified, and the errors can be subsequently minimized by addressing these sources. According to the source, systematic errors can be divided into sampling, instrumental, methodological, and personal errors.
Sampling errors originate from improper sampling methods or the wrong sample population. These errors can be minimized by refining the sampling strategy. Defective instruments or faulty calibrations are the sources of instrumental...
Sampling errors originate from improper sampling methods or the wrong sample population. These errors can be minimized by refining the sampling strategy. Defective instruments or faulty calibrations are the sources of instrumental...
2.3K
01:27Margin of Error
4.5K
The margin of error is also called the maximum error of an estimate. The margin of error is the maximum possible or expected difference between the observed sample parameter value and the actual population parameter value. For proportion, it is the maximum difference between the value of sample proportion obtained from the data and the true value of population proportion. As the true value of the population parameter is not known, the margin of error is calculated using the sample statistic.
4.5K
01:14Errors In Hypothesis Tests
4.5K
When performing a hypothesis test, there are four possible outcomes depending on the actual truth (or falseness) of the null hypothesis and the decision to reject or not.
4.5K
01:12Types of Errors: Detection and Minimization
2.3K
Error is the deviation of the obtained result from the true, expected value or the estimated central value. Errors are expressed in absolute or relative terms.
Absolute error in a measurement is the numerical difference from the true or central value. Relative error is the ratio between absolute error and the true or central value, expressed as a percentage.
Errors can be classified by source, magnitude, and sign. There are three types of errors: systematic, random, and gross.
Systematic or...
Absolute error in a measurement is the numerical difference from the true or central value. Relative error is the ratio between absolute error and the true or central value, expressed as a percentage.
Errors can be classified by source, magnitude, and sign. There are three types of errors: systematic, random, and gross.
Systematic or...
2.3K