MétaCan
Menu
Retour à la cohorte
Enregistrement W4315559424 · doi:10.2196/39166

Using Location Intelligence to Evaluate the COVID-19 Vaccination Campaign in the United States: Spatiotemporal Big Data Analysis

2023· article· en· W4315559424 sur OpenAlexvenueno aff
Qingfeng Li, James Cheng Peng, Diwakar Mohan, Brennan Lake, Alex Ruiz Euler, Brian W. Weir, Lena Kan, Peng Yang, Alain Labrique

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueVaccine Coverage and Hesitancy
Établissements canadiensnon disponible
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human Development
Mots-clésCoronavirus disease 2019 (COVID-19)2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Big dataPandemicComputer scienceVaccinationPublic health surveillanceData sciencePublic healthVirologyMedicineData miningOutbreak

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Highly effective COVID-19 vaccines are available and free of charge in the United States. With adequate coverage, their use may help return life back to normal and reduce COVID-19-related hospitalization and death. Many barriers to widespread inoculation have prevented herd immunity, including vaccine hesitancy, lack of vaccine knowledge, and misinformation. The Ad Council and COVID Collaborative have been conducting one of the largest nationwide targeted campaigns ("It's Up to You") to communicate vaccine information and encourage timely vaccination across the United States. More than 300 major brands, digital and print media companies, and community-based organizations support the campaigns to reach distinct audiences. OBJECTIVE: The goal of this study was to use aggregated mobility data to assess the effectiveness of the campaign on COVID-19 vaccine uptake. METHODS: Campaign exposure data were collected from the Cuebiq advertising impact measurement platform consisting of about 17 million opted-in and deidentified mobile devices across the country. A Bayesian spatiotemporal hierarchical model was developed to assess campaign effectiveness through estimating the association between county-level campaign exposure and vaccination rates reported by the Centers for Disease Control and Prevention. To minimize potential bias in exposure to the campaign, the model included several control variables (eg, age, race or ethnicity, income, and political affiliation). We also incorporated conditional autoregressive residual models to account for apparent spatiotemporal autocorrelation. RESULTS: The data set covers a panel of 3104 counties from 48 states and the District of Columbia during a period of 22 weeks (March 29 to August 29, 2021). Officially launched in February 2021, the campaign reached about 3% of the anonymous devices on the Cuebiq platform by the end of March, which was the start of the study period. That exposure rate gradually declined to slightly above 1% in August 2021, effectively ending the study period. Results from the Bayesian hierarchical model indicate a statistically significant positive association between campaign exposure and vaccine uptake at the county level. A campaign that reaches everyone would boost the vaccination rate by 2.2% (95% uncertainty interval: 2.0%-2.4%) on a weekly basis, compared to the baseline case of no campaign. CONCLUSIONS: The "It's Up to You" campaign is effective in promoting COVID-19 vaccine uptake, suggesting that a nationwide targeted mass media campaign with multisectoral collaborations could be an impactful health communication strategy to improve progress against this and future pandemics. Methodologically, the results also show that location intelligence and mobile phone-based monitoring platforms can be effective in measuring impact of large-scale digital campaigns in near real time.

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)0,002
score de la tête « metaresearch » (Gemma)0,011
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 enseignants0,064
Score d'incertitude au seuil0,127

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,005
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,319
Tête enseignante GPT0,465
Écart entre enseignants0,146 · 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

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetVaccine Coverage and HesitancyTravaux en français237 207