COVID-19 risk perception among residents of seven sub-Saharan African countries: socio-demographic correlates and predicted probabilities
Notice bibliographique
Résumé
INTRODUCTION: as the COVID-19 pandemic rages on, sub-Saharan Africa remains at high risk given the poor adherence to pandemic control protocols. Misconceptions about the contagion may have given rise to adverse risk behaviours across population groups. This study evaluates risk perception among 2,244 residents of seven countries in sub-Saharan Africa (Botswana, Kenya, Malawi, Nigeria, Tanzania, Zambia and Zimbabwe) in relation to socio-demographic determinants. METHODS: an online survey was conducted via social media platforms to a random sample of participants. Risk perception was evaluated across six domains: loss of income, food scarcity, having a relative infected, civil disorder, criminal attacks, or losing a friend or relative to COVID-19. A multivariable ordinal logistic regression was conducted to assess socio-demographic factors associated with the perceived risk of being affected by COVID-19. RESULTS: 595 (27%) respondents did not consider themselves to be at risk, while 33% perceived themselves to be at high risk of being affected by the pandemic with respect to the six domains evaluated. Hospital-based workers had the highest proportional odds (3.5; 95%CI: 2.3-5.6) high perceived risk. Teenage respondents had the highest predictive probability (54.6%; 95% CI: 36.6-72.7%) of perceiving themselves not to be at risk of being affected by COVID-19, while Zambia residents had the highest predictive probability (40.7%; 95% CI: 34.3-47.0%) for high-risk perception. CONCLUSION: this study reveals the need to increase awareness of risks among socio-demographic groups such as younger people and the unemployed. Targeted risk communication strategies will create better risk consciousness, as well as adherence to safety measures.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».