While public health organizations can detect disease spread, few can monitor and respond to real-time misinformation. Misinformation risks the public’s health, the credibility of institutions, and the safety of experts and front-line workers. Big Data, and specifically publicly available media data, can play a significant role in understanding and responding to misinformation. The Public Good Projects uses supervised machine learning to aggregate and code millions of conversations relating to vaccines and the COVID-19 pandemic broadly, in real-time. Public health researchers supervise this process daily, and provide insights to practitioners across a range of disciplines. Through this work, we have gleaned three lessons to address misinformation. (1) Sources of vaccine misinformation are known; there is a need to operationalize learnings and engage the pro-vaccination majority in debunking vaccine-related misinformation. (2) Existing systems can identify and track threats against health experts and institutions, which have been subject to unprecedented harassment. This supports their safety and helps prevent the further erosion of trust in public institutions. (3) Responses to misinformation should draw from cross-sector crisis management best practices and address coordination gaps. Real-time monitoring and addressing misinformation should be a core function of public health, and public health should be a core use case for data scientists developing monitoring tools. The tools to accomplish these tasks are available; it remains up to us to prioritize them.

虽然公共卫生组织可以检测到疾病传播，但很少有人可以监视和响应实时错误信息。错误的信息会危害公众的健康，机构的信誉以及专家和一线工人的安全。大数据，尤其是公开可用的媒体数据，在理解和应对错误信息方面可以发挥重要作用。Public Good Projects使用受监督的机器学习来实时汇总和编码与疫苗和COVID-19大流行有关的数百万条对话。公共卫生研究人员每天对这一过程进行监督，并为跨学科的从业人员提供见解。通过这项工作，我们收集了三个教训来解决错误信息。（1）疫苗错误信息的来源是已知的；有必要将学习活动付诸实践，并让大多数支持疫苗的人参与揭穿疫苗相关的错误信息。（2）现有的系统可以识别和跟踪对健康专家和机构的威胁，而这些威胁遭受了前所未有的骚扰。这支持他们的安全，并有助于防止对公共机构的信任的进一步削弱。（3）对错误信息的应对应借鉴跨部门危机管理的最佳实践并解决协调空白。实时监视和解决错误信息应该是公共卫生的核心功能，而公共卫生应该是数据科学家开发监视工具的核心用例。有完成这些任务的工具。我们仍然需要优先考虑它们。（2）现有的系统可以识别和跟踪对健康专家和机构的威胁，而这些威胁遭受了前所未有的骚扰。这支持他们的安全，并有助于防止对公共机构的信任的进一步削弱。（3）对错误信息的应对应借鉴跨部门危机管理的最佳实践并解决协调空白。实时监视和解决错误信息应该是公共卫生的核心功能，而公共卫生应该是数据科学家开发监视工具的核心用例。有完成这些任务的工具。我们仍然需要优先考虑它们。（2）现有的系统可以识别和跟踪对健康专家和机构的威胁，而这些威胁遭受了前所未有的骚扰。这支持他们的安全，并有助于防止对公共机构的信任的进一步削弱。（3）对错误信息的应对应借鉴跨部门危机管理的最佳实践并解决协调空白。实时监视和解决错误信息应该是公共卫生的核心功能，而公共卫生应该是数据科学家开发监视工具的核心用例。有完成这些任务的工具。我们仍然需要优先考虑它们。这支持他们的安全，并有助于防止对公共机构的信任的进一步削弱。（3）对错误信息的应对应借鉴跨部门危机管理的最佳实践并解决协调空白。实时监视和解决错误信息应该是公共卫生的核心功能，而公共卫生应该是数据科学家开发监视工具的核心用例。有完成这些任务的工具。我们仍然需要优先考虑它们。这支持他们的安全，并有助于防止对公共机构的信任的进一步削弱。（3）对错误信息的应对应借鉴跨部门危机管理的最佳实践并解决协调空白。实时监视和解决错误信息应该是公共卫生的核心功能，而公共卫生应该是数据科学家开发监视工具的核心用例。有完成这些任务的工具。我们仍然需要优先考虑它们。有完成这些任务的工具。我们仍然需要优先考虑它们。有完成这些任务的工具。我们仍然需要优先考虑它们。