Predictors of misperceptions, risk perceptions, and personal risk perceptions about COVID-19 by country, education and income
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Government interventions, such as mandating the use of masks and social distancing, play crucial roles in controlling the spread of pandemic infection. Adherence depends on public perceptions about pandemic risk. The goal was to explore the roles of education, income, and country on misperceptions, risk perceptions and personal risk perceptions about COVID-19. Data were extracted from 3 preregistered surveys. Binary logistic regressions were conducted to investigate the roles country, education, and income had on outcome variables. Across the USA, Canada, and UK, individuals in the highest income quartile were significantly less likely to hold misperceptions (OR=0.61, 95% CI 0.45 to 0.83) and to perceive personal risk (OR=0.38, 95% CI 0.20 to 0.75) regarding COVID-19 compared with individuals in the lowest income quartile. When comparing these income quartiles in the USA, the difference in perceived risk was heightened (OR=0.21, 95% CI 0.07 to 0.57). Citizens of the UK were more likely to have risk perceptions compared with citizens of the USA (OR=1.50, 95% CI 1.20 to 1.88). Citizens of Canada were less likely to perceive personal risk compared with US citizens (OR=0.40, 95% CI 0.23 to 0.69). Proper risk perception and understanding of COVID-19 are necessary for adherence to public health initiatives. The lowest income quartile was shown to have more misperceptions and personal risk perceptions across all 3 countries, highlighting the disproportionate impact of COVID-19 in this group. Our findings support the importance of education and income in affecting health perceptions and outcomes. Further research is needed to explore interventions to minimize misperceptions, accurately shape risk perception, and effectively communicate science.
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.
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 | 0,002 | 0,011 |
| 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 | 0,003 |
| 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) | 0,002 | 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 découle