Predicting COVID-19 vaccination intentions: the roles of threat appraisal, coping appraisal, subjective norms, and negative affect
Notice bibliographique
Résumé
BACKGROUND: As a new disease, communities possess little natural immunity to COVID-19 and vaccines are considered critical to preventing and reducing the incidence of severe illness. This study, inspired by Protection Motivation Theory (PMT), examines the relationship between citizens' threat appraisal, coping appraisal, subjective norms, negative affect, and their COVID-19 vaccination intentions. METHODS: A sample of 340 citizens from two main cities in Mainland China, Xi'an and Wuxi, was used for data analysis. Structural Equation Modeling (SEM) was employed with latent and observed variables to test hypotheses. Data were analyzed using AMOS 24.0. RESULTS: Several findings extend current understanding. Firstly, our proposed model explains 73% of the variance in vaccination intentions. Secondly, perceived severity only indirectly shapes COVID-19 vaccination intentions through negative affect. Thirdly, negative affect and response costs are negatively related to COVID-19 vaccination intentions. Finally, Perceived probability, subjective norms, response efficacy and self-efficacy are positively related to COVID-19 vaccination intentions; among them, self-efficacy contributes the most, followed by response efficacy and subjective norms, and lastly perceived probability. CONCLUSION: Theoretically, this study increases current understanding about subjective norms and affective responses. We provoke a certain amount of thought about the role of affect response in relation to threat appraisal and vaccination intentions. Specifically, governments must be vigilant that citizens' negative affect, such as fear, may cause vaccine hesitation.
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 | 0,005 | 0,012 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».