Vaccine hesitancy educational tools for healthcare providers and trainees: A scoping review
Notice bibliographique
Résumé
In the era of vaccine hesitancy, highlighted by the current SARS-CoV2 pandemic, there is an acute need to develop an approach to reduce and address apprehension towards vaccinations. We sought to map and present an overview of existing educational interventions for healthcare providers (HCPs) on strategies to engage in effective vaccine discussion. We applied the Joanna Briggs Institute methodology framework in this scoping review. We searched five relevant databases (MEDLINE, CINAHL, EMBASE, PsycInfo, and SCOPUS) and grey literature through the Google search engine using keywords and subject headings that were systematically identified. We identified 3384 citations in peer-reviewed literature and 41 citations in grey literature. After screening for our inclusion criteria, we included 28 citations from peer reviewed literature and 16 citations from grey literature for analysis. We identified a total of 41 unique education interventions. Interventions were available from multiple disciplines, training levels, clinical settings, and diseases/vaccines. Interventions predominantly centered around two foci: knowledge sharing and communication training. Most interventions identified from peer-reviewed literature were facilitated and were applied with multiple modes of delivery. Interventions from grey literature were more topical and generally self-directed. We identified several gaps in knowledge. Firstly, accessibility and generalizability of interventions was limited. Secondly, distribution of interventions did not adequately address nursing and pharmacy disciplines, and did not cover the breadth of medical specialties for whom vaccine discussions apply. Thirdly, no interventions addressed self monitoring and the clinicians' recognition and management of emotions during difficult conversations. There is a need to address this gap and provide available, credible and comprehensive educational interventions that will support our healthcare providers in effective communication with vaccine hesitant patients.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,128 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,021 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».