MétaCan
Menu
Retour à la cohorte
Enregistrement W4294811513 · doi:10.2196/39109

Influences, Barriers, and Facilitators to COVID-19 Vaccination: Cross-sectional Survey on Vaccine Hesitancy in 2 Rural States

2022· article· en· W4294811513 sur OpenAlexvenueno aff
Elaine Nguyen, Melanie C. Wright, John Holmes, Kevin Cleveland, Catherine M. Oliphant, Mary A. Nies, Renee Robinson

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueVaccine Coverage and Hesitancy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésVaccinationRespondentMedicineDescriptive statisticsFamily medicineCoronavirus disease 2019 (COVID-19)ImmunizationCross-sectional studyEnvironmental healthInfectious disease (medical specialty)ImmunologyDiseasePolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Vaccination remains one of the most effective ways to limit the spread of infectious diseases such as that caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), the virus responsible for COVID-19. Unfortunately, vaccination hesitancy continues to be a threat to national and global health. Further research is necessary to determine the modifiable and nonmodifiable factors contributing to COVID-19 vaccine hesitancy in under-resourced, underserved, and at-risk rural and urban communities. OBJECTIVE: This study aimed to identify, understand, and address modifiable barriers and factors contributing to COVID-19 vaccine hesitancy among vaccine-eligible individuals with access to the vaccine in Alaska and Idaho. METHODS: An electronic survey based on the World Health Organization (WHO) Strategic Advisory Group on Experts (SAGE) on Immunization survey tool and investigators' previous work was created and distributed in June 2021 and July 2021. To be eligible to participate in the survey, individuals had to be ≥18 years of age and reside in Alaska or Idaho. Responses were grouped into 4 mutually exclusive cohorts for data analysis and reporting based on intentions to be vaccinated. Respondent characteristics and vaccine influences between cohorts were compared using Chi-square tests and ANOVA. Descriptive statistics were also used. RESULTS: There were data from 736 usable surveys with 40 respondents who did not intend to be vaccinated, 27 unsure of their intentions, 8 who intended to be fully vaccinated with no doses received, and 661 fully vaccinated or who intended to be vaccinated with 1 dose received. There were significant differences in characteristics and influences between those who were COVID-19 vaccine-hesitant and those who had been vaccinated. Concerns related to possible side effects, enough information on long-term side effects, and enough information that is specific to the respondent's health conditions were seen in those who did not intend to be fully vaccinated and unsure about vaccination. In all cohorts except those who did not intend to be fully vaccinated, more information about how well the vaccine works was a likely facilitator to vaccination. CONCLUSIONS: These survey results from 2 rural states indicate that recognition of individual characteristics may influence vaccine choices. However, these individual characteristics represent only a starting point to delivering tailored messages that should come from trusted sources to address vaccination barriers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,450
Écart entre enseignants0,385 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetVaccine Coverage and HesitancyTravaux en français237 207