Economic and Behavioral Influencers of Vaccination and Antimicrobial Use
Notice bibliographique
Résumé
Despite vast improvements in global vaccination coverage during the last decade, there is a growing trend in vaccine hesitancy and/or refusal globally. This has implications for the acceptance and coverage of a potential vaccine against COVID-19. In the United States, the number of children exempt from vaccination for "philosophical belief-based" non-medical reasons increased in 12 of the 18 states that allowed this policy from 2009 to 2017 (1). Meanwhile, the overuse and misuse of antibiotics, especially in young children, have led to increasing rates of drug resistance that threaten our ability to treat infectious diseases. Vaccine hesitancy and antibiotic overuse exist side-by-side in the same population of young children, and it is unclear why one modality (antibiotics) is universally seen as safe and effective, while the other (vaccines) is seen as potentially hazardous by some. In this review, we consider the drivers shaping the use of vaccines and antibiotics in the context of three factors: individual incentives, risk perceptions, and social norms and group dynamics. We illustrate how these factors contribute to the societal and individual costs of vaccine underuse and antimicrobial overuse. Ultimately, we seek to understand these factors that are at the nexus of infectious disease epidemiology and social science to inform policy-making.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».