Spirituality and religiosity contribute to ongoing COVID-19 vaccination rates: Comparing 195 regions around the world
Notice bibliographique
Résumé
Vaccine hesitancy has taken global prominence with the rapid spread of COVID-19, but what factors are related to this considerable variation in vaccination rates globally? Three studies that encompass 195 unique regions from around the world found that the relative spirituality and religiosity of a region predict ongoing COVID-19 vaccination rates, such that those regions higher in spirituality and/or religiosity are regions with lower COVID-19 vaccination rates. In Study 1, data from 23 regions globally were obtained, and both spirituality and religiosity were negatively associated with vaccination rates. These effects held when applying two methods to account for vaccine supply issues. In Study 2, data from 144 regions globally were obtained, and once again religiosity negatively predicted COVID-19 vaccination rates. It remained a significant predictor of vaccination rates when controlling for GDP, population age, collectivism, general skepticism towards vaccinations, and previous inoculation history. In Study 3, data from all USA states and the District of Columbia were obtained, and religiosity and spirituality once again were negatively associated with COVID-19 vaccination rates. Effects held controlling for other factors. Across studies, spirituality and religiosity account for a large amount of the variance in vaccination rates. These results suggest that real-world behavior can be predicted by the relative spirituality and religiosity of a region.
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 | 0,002 | 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 | 0,004 | 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) | 0,000 | 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 ».