Exploring vaccine hesitancy among healthcare providers in the United Arab Emirates: a qualitative study
Notice bibliographique
Résumé
Healthcare providers (HCPs) are at the frontline to curb the spread of vaccine hesitancy in the community. However, HCPs themselves may delay or refuse vaccines. In light of the emerging vaccine hesitancy in the United Arab Emirates (UAE), we aimed to explore HCPs doubts and concerns regarding vaccination. We conducted face-to-face interviews with 33 HCPs from 7 ambulatory healthcare services in the Al Ain region, UAE. An interview guide was developed based on the European Center for Disease Prevention and Control guide for vaccine hesitancy among HCPs. An inductive thematic framework was employed to explore the main and emerging themes conceptualizing the predisposing, reinforcing, and enabling factors that influence HCPs' hesitancy regarding vaccinations for themselves and while recommending, prescribing, or discussing vaccines with their patients. The sample included general practitioners, family physicians, nurses, pharmacists, and other administrative staff. The major themes included positive predisposing factors such as trust in the system and the government, previous education, and social responsibility. Positive enabling factors included affordability and availability of vaccination services. Many participants were hesitant to receive the mandatory influenza vaccination. Misinformation regarding vaccines on social media was a major concern. However, HCPs showed little interest in being active on social media. Most participants reported never receiving any training on how to address vaccine hesitancy among patients. Because HCPs play an important role in influencing patients' decisions regarding undergoing vaccination, their confidence in addressing vaccine hesitancy must be improved.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».