Prevalence and Drivers of COVID-19 Vaccine Hesitancy among Czech University Students: National Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: university students are believed to retain the highest levels of health literacy. They are perceived as the opinion leaders within their communities; therefore, their health-related beliefs and attitudes are deemed important for public health campaigns. This study aimed to investigate the COVID-19 vaccine hesitancy drivers among university students in the Czech Republic. METHODS: a cross-sectional study using a self-administered questionnaire was carried out in the weeks before the unrestricted vaccine deployment to Czech adults. The questionnaire had 21 multiple-choice items stratified in 4 categories; demographic characteristics, COVID-19-related anamnesis and influenza vaccine experience, attitudes towards COVID-19 vaccination, and the possible drivers of COVID-19 vaccine hesitancy suggested by the WHO-SAGE. RESULTS: out of the 1351 included students, 66.8% were females, 84.5% were Czech nationals, and 40.6% enrolled in healthcare programs. The overall COVID-19 vaccine acceptance level was 73.3%, 19.3% of participants were vaccine-resistant, and only 7.4% were vaccine-hesitant. Trust in the pharmaceutical industry, trust in healthcare providers, and perceived knowledge sufficiency predicted higher odds of vaccine acceptance. In contrast, media and social media, personal beliefs, immunity misconception, previous COVID-19 infection, and suspicions about novel vaccines and the local availability predicted higher odds of vaccine hesitancy. CONCLUSIONS: The findings of this study predict a fair probability to achieve community immunity (herd immunity) among the target population group. The primary prevention strategies in the Czech Republic need to be culturally sensitive and inclusive for foreign nationals. As one-quarter of the participating students are dependent on vaccine safety data, this study findings support the call for independent studies evaluating the side effects of COVID-19 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».