COVID-19 Contact Tracing Apps: Predicted Uptake in the Netherlands Based on a Discrete Choice Experiment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Smartphone-based contact tracing apps can contribute to reducing COVID-19 transmission rates and thereby support countries emerging from lockdowns as restrictions are gradually eased. OBJECTIVE: The primary objective of our study is to determine the potential uptake of a contact tracing app in the Dutch population, depending on the characteristics of the app. METHODS: A discrete choice experiment was conducted in a nationally representative sample of 900 Dutch respondents. Simulated maximum likelihood methods were used to estimate population average and individual-level preferences using a mixed logit model specification. Individual-level uptake probabilities were calculated based on the individual-level preference estimates and subsequently aggregated into the sample as well as subgroup-specific contact tracing app adoption rates. RESULTS: The predicted app adoption rates ranged from 59.3% to 65.7% for the worst and best possible contact tracing app, respectively. The most realistic contact tracing app had a predicted adoption of 64.1%. The predicted adoption rates strongly varied by age group. For example, the adoption rates of the most realistic app ranged from 45.6% to 79.4% for people in the oldest and youngest age groups (ie, ≥75 years vs 15-34 years), respectively. Educational attainment, the presence of serious underlying health conditions, and the respondents' stance on COVID-19 infection risks were also correlated with the predicted adoption rates but to a lesser extent. CONCLUSIONS: A secure and privacy-respecting contact tracing app with the most realistic characteristics can obtain an adoption rate as high as 64% in the Netherlands. This exceeds the target uptake of 60% that has been formulated by the Dutch government. The main challenge will be to increase the uptake among older adults, who are least inclined to install and use a COVID-19 contact tracing app.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle