Prebunking messaging to inoculate against COVID-19 vaccine misinformation: an effective strategy for public health
Notice bibliographique
Résumé
Background Vaccination coverage needs to reach more than 80% to resolve the COVID-19 pandemic, but vaccine hesitancy, fuelled by misinformation, may jeopardize this goal. Unvaccinated older adults are not only at risk of COVID-19 complications but may also be misled by false information. Prebunking, based on inoculation theory, involves ‘forewarning people [of] and refuting information that challenges their existing belief or behavior’.Objective To assess the effectiveness of inoculation communication strategies in countering disinformation about COVID-19 vaccines among Canadians aged 50 years and older, as measured by their COVID-19 vaccine intentions.Method Applying an online experiment with a mixed pre–post design and a sample size of 2500 participants, we conducted a national randomized survey among English and French-speaking Canadians aged 50 years and older in March 2021. Responses to two different disinformation messages were evaluated. Our primary outcome was the intention to receive a COVID-19 vaccine, with attitudes toward COVID-19 vaccine a secondary outcome. The McNemar test and multivariate logistic regression analysis on paired data were conducted when the outcome was dichotomized. Wilcoxon sign rank test and Kruskal–Wallis were used to test difference scores between pre- and post-tests by condition.Results Group comparisons between those who received only disinformation and those who received the inoculation message show that prebunking messages may safeguard intention to get vaccinated and have a protective effect against disinformation.Conclusion Prebunking messages should be considered as one strategy for public health communication to combat misinformation.
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 | 0,009 | 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».