In this digital age, how easily accessible is pharmacist vaccination information? The case of New Zealand
Notice bibliographique
Résumé
Background: Pharmacist-led vaccination that has the potential to ease the vaccination burden from general practitioners, is comparatively a newer service in New Zealand. However, to reap the maximum benefits out of this service, a consistent and effective promotion approach using various online platforms is indispensable. Objective: To identify what online information the general public can find about which pharmacies across NZ provide vaccination services. Methods: Every pharmacy in NZ was reviewed online to determine what vaccination information they advertised, then a sample of pharmacies were randomly selected from six District Health Boards (DHBs) to be called and confirm if the information they stated online was accurate. Results: Whilst the majority (more than 70%) of pharmacies did provide information about their services online, only 31% of the pharmacies had vaccination information on their websites, 20% on Healthpoint, and 13% had the information on social media. The telephonic survey revealed various information discrepancies in more than a quarter of the sample. Conclusions: A lack of online presence across multiple pharmacies is a pressing issue. Also, currently, NZ pharmacies do not have a very high online presence advertising vaccination services. Improving the amount and quality of this information is pertinent at this time as when COVID-19 vaccination drive may commence anytime, and the pharmacy sector will be well placed to conduct vaccinations on a large scale.
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 | 0,004 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».