COVID-19 Vaccine Hesitancy in Canada: Content Analysis of Tweets Using the Theoretical Domains Framework
Notice bibliographique
Résumé
BACKGROUND: With the approval of two COVID-19 vaccines in Canada, many people feel a sense of relief, as hope is on the horizon. However, only about 75% of people in Canada plan to receive one of the vaccines. OBJECTIVE: The purpose of this study is to determine the reasons why people in Canada feel hesitant toward receiving a COVID-19 vaccine. METHODS: We screened 3915 tweets from public Twitter profiles in Canada by using the search words "vaccine" and "COVID." The tweets that met the inclusion criteria (ie, those about COVID-19 vaccine hesitancy) were coded via content analysis. Codes were then organized into themes and interpreted by using the Theoretical Domains Framework. RESULTS: Overall, 605 tweets were identified as those about COVID-19 vaccine hesitancy. Vaccine hesitancy stemmed from the following themes: concerns over safety, suspicion about political or economic forces driving the COVID-19 pandemic or vaccine development, a lack of knowledge about the vaccine, antivaccine or confusing messages from authority figures, and a lack of legal liability from vaccine companies. This study also examined mistrust toward the medical industry not due to hesitancy, but due to the legacy of communities marginalized by health care institutions. These themes were categorized into the following five Theoretical Domains Framework constructs: knowledge, beliefs about consequences, environmental context and resources, social influence, and emotion. CONCLUSIONS: With the World Health Organization stating that one of the worst threats to global health is vaccine hesitancy, it is important to have a comprehensive understanding of the reasons behind this reluctance. By using a behavioral science framework, this study adds to the emerging knowledge about vaccine hesitancy in relation to COVID-19 vaccines by analyzing public discourse in tweets in real time. Health care leaders and clinicians may use this knowledge to develop public health interventions that are responsive to the concerns of people who are hesitant to receive vaccines.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».