論文の概要: Building Resilience to Misinformation: A Cross-National Development of the Digital Media and Information Literacy Scale (DMILS)
- arxiv url: http://arxiv.org/abs/2605.17676v1
- Date: Sun, 17 May 2026 22:09:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:48.391302
- Title: Building Resilience to Misinformation: A Cross-National Development of the Digital Media and Information Literacy Scale (DMILS)
- Title（参考訳）: 誤情報に対するレジリエンスの構築:デジタルメディア・情報リテラシー尺度(DMILS)の全国横断開発
- Authors: Sijia Qian, Cuihua Shen, Huiyi Wang, Hichang Cho,
- Abstract要約: 本稿では,デジタルメディア・情報リテラシー尺度(DMILS)を策定する。
ドメイン(デジタル対情報/ニュース)、能力タイプ(知識対スキル)を区別し、主観的かつ客観的な項目によって測定される、堅牢で多次元的な尺度である。
擬似だが多次元のヤードスティックを提供することにより、DMILSはメディアリテラシー介入の厳密な評価を可能にする。
- 参考スコア（独自算出の注目度）: 2.5415725476195163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Amid growing concern about information quality and credibility in digital media environments, researchers and educators still lack a concise, comprehensive yet psychometrically sound instrument for tracking the competencies that help people navigate this landscape. This article develops the Digital Media and Information Literacy Scale (DMILS), a robust and multidimensional measure that distinguishes domain (digital vs. information/news), competency type (knowledge vs. skill), and is measured through both subjective and objective items. Through two empirical studies with three nationally matched samples in the United States and Singapore (N = 1,498), we developed an 18-item self-report battery and 16-item objective knowledge questions, showing strong structural, convergent, and predictive validity, along with a short form (8 self-report and 8 objective items). By offering a parsimonious yet multidimensional yardstick, DMILS enables rigorous evaluation of media literacy interventions and supplies a common metric for cross-national research, critical for building an information ecosystem resilient to mis- and disinformation.
- Abstract（参考訳）: デジタルメディア環境における情報品質と信頼性に関する懸念が高まっている中、研究者や教育者は、人々がこの風景をナビゲートするのに役立つ能力を追跡するための簡潔で包括的かつサイコメトリックな楽器をいまだに欠いている。
本稿では,デジタルメディア・情報リテラシー尺度(DMILS, Digital Media and Information Literacy Scale)について述べる。
米国とシンガポールの3つの国別サンプル(N=1,498)による実証的研究を通じて,18項目の自己申告用電池と16項目の客観的知識質問を開発し,構造的,収束的,予測的妥当性を,短い形式(自己申告用8項目,客観的項目8項目)とともに示した。
擬似だが多次元のヤードスティックを提供することにより、DMILSはメディアリテラシー介入の厳密な評価を可能にし、異国間研究のための共通の指標を提供する。
関連論文リスト
- Towards Knowledgeable Deep Research: Framework and Benchmark [105.87257445617922]
本稿では、DRエージェントが構造化知識と非構造化知識の両方でレポートを生成する必要があるKDR(Knowledable Deep Research)を紹介する。
テキスト,図形,テーブルをコヒーレントなマルチモーダルレポートに統合するマルチエージェントアーキテクチャであるHybrid Knowledge Analysis Framework (HKA)を提案する。
実験の結果,HKAは汎用および知識中心の指標において,既存のDRエージェントよりも一貫して優れていた。
論文 参考訳（メタデータ） (2026-04-09T02:06:27Z) - Leveraging Machine Learning Techniques to Investigate Media and Information Literacy Competence in Tackling Disinformation [0.9786690381850356]
本研究では,メディアリテラシー(メディアリテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー,情報リテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー,メディアリテラシー)に関する機械学習モデルを構築した。
発見は、対象とする教育介入の設計や、学生がデジタル環境における偽情報を批判的にナビゲートし、応答する能力を高めるためのパーソナライズされた戦略を通知することができる。
論文 参考訳（メタデータ） (2026-03-20T00:08:01Z) - From Generation to Detection: A Multimodal Multi-Task Dataset for Benchmarking Health Misinformation [40.226443705818404]
本稿では,34,746のニュース記事からなる健康領域における大規模マルチモーダル誤報データセットであるMM Healthについて紹介する。
MM Healthには、さまざまなSOTA生成AIモデルから生成された、人間生成のマルチモーダル情報(5,776記事)とAI生成のマルチモーダル情報(28,880記事)が含まれている。
論文 参考訳（メタデータ） (2025-05-24T13:04:23Z) - MDK12-Bench: A Multi-Discipline Benchmark for Evaluating Reasoning in Multimodal Large Language Models [50.43793764203352]
実世界のK-12試験を通してMLLMの推論能力を評価する多分野ベンチマークであるMDK12-Benchを紹介する。
本ベンチマークは,小学校から12年生までの様々な難易度にまたがる140Kの推論事例からなる。
6,827のインスタンスレベルの知識ポイントアノテーションが,十分に整理された知識構造,詳細な回答説明,難易度ラベル,年次分割に基づいている。
論文 参考訳（メタデータ） (2025-04-08T08:06:53Z) - A Survey on Automatic Credibility Assessment Using Textual Credibility Signals in the Era of Large Language Models [17.09653593022644]
ソーシャルメディアと生成AIの時代、オンラインコンテンツの信頼性を自動的に評価する能力はますます重要になっている。
信頼性評価は、様々な信頼性信号を最終的な信頼性ラベル/スコアに集約することに依存する。
複数の信頼性信号を同時に検出し、集約するアプローチは少ない。
論文 参考訳（メタデータ） (2024-10-28T17:51:08Z) - MMIE: Massive Multimodal Interleaved Comprehension Benchmark for Large Vision-Language Models [71.36392373876505]
我々は、LVLM(Large Vision-Language Models)において、インターリーブされたマルチモーダル理解と生成を評価するための大規模ベンチマークであるMMIEを紹介する。
MMIEは、数学、コーディング、物理学、文学、健康、芸術を含む3つのカテゴリ、12のフィールド、102のサブフィールドにまたがる20Kの厳密にキュレートされたマルチモーダルクエリで構成されている。
インターリーブされたインプットとアウトプットの両方をサポートし、多様な能力を評価するために、複数選択とオープンな質問フォーマットの混合を提供する。
論文 参考訳（メタデータ） (2024-10-14T04:15:00Z) - Detecting Multimedia Generated by Large AI Models: A Survey [25.97663040910416]
この調査の目的は、学術的なギャップを埋め、グローバルなAIセキュリティ努力に貢献することである。
メディアモダリティによって分類された検出手法のための新しい分類法を提案する。
ソーシャルメディアの観点から焦点を絞った分析を行い、より広範な社会的影響を強調します。
論文 参考訳（メタデータ） (2024-01-22T15:08:19Z) - Ranking the information content of distance measures [61.754016309475745]
2つの異なる距離測度を用いて保持する相対的情報を評価する統計的テストを導入する。
これにより、候補者のプールから最も情報に富んだ距離を測定することができる。
論文 参考訳（メタデータ） (2021-04-30T15:57:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。