Increasing vaccine acceptance using evidence-based approaches and policies: Insights from research on behavioural and social determinants presented at the 7th Annual Vaccine Acceptance Meeting
Notice bibliographique
Résumé
BACKGROUND: In 2019, the World Health Organization (WHO) flagged vaccine hesitancy as one of the top 10 threats to global health. The drivers of and barriers to under-vaccination include logistics (access to and awareness of affordable vaccines), as well as a complex mix of psychological, social, political, and cultural factors. INCREASING VACCINE UPTAKE: There is a need for effective strategies to increase vaccine uptake in various settings, based on the best available evidence. Fortunately, the field of vaccine acceptance research is growing rapidly with the development, implementation, and evaluation of diverse measurement tools, as well as interventions to address the challenging range of drivers of and barriers to vaccine acceptance. ANNUAL VACCINE ACCEPTANCE MEETINGS: Since 2011, the Mérieux Foundation has hosted Annual Vaccine Acceptance Meetings in Annecy, France that have fostered an informal community of practice on vaccination confidence and vaccine uptake. Mutual learning and sharing of knowledge has resulted directly in multiple initiatives and research projects. This article reports the discussions from the 7th Annual Vaccine Acceptance Meeting held September 23-25, 2019. During this meeting, participants discussed emergent vaccine acceptance challenges and evidence-informed ways of addressing them in a programme that included sessions on vaccine mandates, vaccine acceptance and demand, training on vaccine acceptance, and frameworks for resilience of vaccination programmes.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».