Factors associated with the opposition to COVID-19 vaccination certificates: A multi-country observational study from Asia
Notice bibliographique
Résumé
BACKGROUND: There are ongoing calls to harmonise and increase the use of COVID-19 vaccination certificates (CVCs) in Asia. Identifying groups in Asian societies who oppose CVCs and understanding their reasons can help formulate an effective CVCs policy in the region. However, no formal studies have explored this issue in Asia. METHOD: The COVID-19 Vaccination Policy Research and Decision-Support Initiative in Asia (CORESIA) was established to address policy questions related to CVCs. An online cross-sectional survey was conducted from June to October 2021 in nine Asian countries. Multivariable logistical regression analyses were performed to identify potential opposers of CVCs. RESULTS: Six groups were identified as potential opposers of CVCs: (i) unvaccinated (Odd Ratio (OR): 2.01, 95% Confidence Interval (CI): 1.65-2.46); vaccine hesitant and those without access to COVID-19 vaccines; (ii) those not wanting existing NPIs to continue (OR: 2.97, 95% CI: 2.51-3.53); (iii) those with low level of trust in governments (OR: 1.25, 95% CI: 1.02-2.52); (iv) those without travel plans (OR: 1.58, 95% CI: 1.31-1.90); (v) those expecting no financial gains from CVCs (OR: 2.35, 95% CI: 1.98-2.78); and (vi) those disagreeing to use CVCs for employment, education, events, hospitality, and domestic travel. CONCLUSIONS: Addressing recurring public health bottlenecks such as vaccine hesitancy and equitable access, adherence to policies, public trust, and changing the narrative from 'societal-benefit' to 'personal-benefit' may be necessary and may help increase wider adoption of CVCs in Asia.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».