Prevalence and factors related to COVID‐19 vaccine hesitancy and unwillingness in Canada: A systematic review and meta‐analysis
Notice bibliographique
Résumé
This systematic review and meta-analysis examined the prevalence and factors associated with vaccine hesitancy and vaccine unwillingness in Canada. Eleven databases were searched in March 2022. The pooled prevalence of coronavirus disease 2019 (COVID-19) vaccine hesitancy and unwillingness was estimated. Subgroup analyses and meta-regressions were performed. Out of 667 studies screened, 86 full-text articles were reviewed, and 30 were included in the systematic review. Twenty-four articles were included in the meta-analysis; 12 for the pooled prevalence of vaccine hesitancy (42.3% [95% CI, 33.7%-51.0%]) and 12 for vaccine unwillingness (20.1% [95% CI, 15.2%-24.9%]). Vaccine hesitancy was higher in females (18.3% [95% CI, 12.4%-24.2%]) than males (13.9% [95% CI, 9.0%-18.8%]), and in rural (16.3% [95% CI, 12.9%-19.7%]) versus urban areas (14.1% [95%CI, 9.9%-18.3%]). Vaccine unwillingness was higher in females (19.9% [95% CI, 11.0%-24.8%]) compared with males (13.6% [95% CI, 8.0%-19.2%]), non-White individuals (21.7% [95% CI, 16.2%-27.3%]) than White individuals (14.8% [95% CI, 11.0%-18.5%]), and secondary or less (24.2% [95% CI, 18.8%-29.6%]) versus postsecondary education (15.9% [95% CI, 11.6%-20.2%]). Factors related to racial disparities, gender, education level, and age are discussed.
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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».