Association between Risk Communication Format and Perceived Risk of Adverse Events after COVID-19 Vaccination among US Adults
Notice bibliographique
Résumé
The format used to communicate probability-verbal versus numerical descriptors-can impact risk perceptions and behaviors. This issue is salient for the Coronavirus disease 2019 (COVID-19), where concerns about vaccine-related risks may reduce uptake and verbal descriptors have been widely used by public health, news organizations and on social media, to convey risk. Because the effect of risk-communication format on perceived COVID-19 vaccine-related risks remains unknown, we conducted an online randomized survey among 939 US adults. Participants were given risk information, using verbal or numerical descriptors and were asked to report their perceived risk of experiencing headache, fever, fatigue or myocarditis from COVID-19 vaccine. Associations between risk communication format and perceived risk were assessed using multivariable regression. Compared to numerical estimates, verbal descriptors were associated with higher perceived risk of headache (β = 5.0 percentage points, 95% CI = 2.0-8.1), fever (β = 27 percentage points, 95% CI = 23-30), fatigue (β = 4.9 percentage points, 95% = CI 1.8-8.0) and myocarditis (β = 4.6 percentage points, 95% CI = 2.1-7.2), as well as greater variability in risk perceptions. Social media influence was associated with differences in risk perceptions for myocarditis, but not side effects. Verbal descriptors may lead to greater, more inaccurate and variable vaccine-related risk perceptions compared to numerical descriptors.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».