Ending the Pandemic: How Behavioural Science Can Help Optimize Global COVID-19 Vaccine Uptake
Notice bibliographique
Résumé
Governments, public health officials and pharmaceutical companies have all mobilized resources to address the COVID-19 pandemic. Lockdowns, social distancing, and personal protective behaviours have been helpful but have shut down economies and disrupted normal activities. Vaccinations protect populations from COVID-19 and allow a return to pre-pandemic ways of living. However, vaccine development, distribution and promotion have not been sufficient to ensure maximum vaccine uptake. Vaccination is an individual choice and requires acceptance of the need to be vaccinated in light of any risks. This paper presents a behavioural sciences framework to promote vaccine acceptance by addressing the complex and ever evolving landscape of COVID-19. Effective promotion of vaccine uptake requires understanding the context-specific barriers to acceptance. We present the AACTT framework (Action, Actor, Context, Target, Time) to identify the action needed to be taken, the person needed to act, the context for the action, as well as the target of the action within a timeframe. Once identified a model for identifying and overcoming barriers, called COM-B (Capability, Opportunity and Motivation lead to Behaviour), is presented. This analysis identifies issues associated with capability, opportunity and motivation to act. These frameworks can be used to facilitate action that is fluid and involves policy makers, organisational leaders as well as citizens and families.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».