Public Attitudes and Factors of COVID-19 Testing Hesitancy in the United Kingdom and China: Comparative Infodemiology Study
Notice bibliographique
Résumé
BACKGROUND: Massive community-wide testing has become the cornerstone of management strategies for the COVID-19 pandemic. OBJECTIVE: This study was a comparative analysis between the United Kingdom and China, which aimed to assess public attitudes and uptake regarding COVID-19 testing, with a focus on factors of COVID-19 testing hesitancy, including effectiveness, access, risk perception, and communication. METHODS: We collected and manually coded 3856 UK tweets and 9299 Chinese Sina Weibo posts mentioning COVID-19 testing from June 1 to July 15, 2020. Adapted from the World Health Organization's 3C Model of Vaccine Hesitancy, we employed social listening analysis examining key factors of COVID-19 testing hesitancy (confidence, complacency, convenience, and communication). Descriptive analysis, time trends, geographical mapping, and chi-squared tests were performed to assess the temporal, spatial, and sociodemographic characteristics that determine the difference in attitudes or uptake of COVID-19 tests. RESULTS: The UK tweets demonstrated a higher percentage of support toward COVID-19 testing than the posts from China. There were much wider reports of public uptake of COVID-19 tests in mainland China than in the United Kingdom; however, uncomfortable experiences and logistical barriers to testing were more expressed in China. The driving forces for undergoing COVID-19 testing were personal health needs, community-wide testing, and mandatory testing policies for travel, with major differences in the ranking order between the two countries. Rumors and information inquiries about COVID-19 testing were also identified. CONCLUSIONS: Public attitudes and acceptance toward COVID-19 testing constantly evolve with local epidemic situations. Policies and information campaigns that emphasize the importance of timely testing and rapid communication responses to inquiries and rumors, and provide a supportive environment for accessing tests are key to tackling COVID-19 testing hesitancy and increasing uptake.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».