Eliciting Opinions on Health Messaging During the COVID-19 Pandemic: Qualitative Survey Study
Notice bibliographique
Résumé
BACKGROUND: Effective public health messaging has been necessary throughout the COVID-19 pandemic, but stakeholders have struggled to communicate critical information to the public, especially in different types of locations such as urban and rural areas. OBJECTIVE: This study aimed to identify opportunities to improve COVID-19 messages for community distribution in rural and urban settings and to summarize the findings to inform future messaging. METHODS: We purposively sampled by region (urban or rural) and participant type (general public or health care professional) to survey participants about their opinions on 4 COVID-19 health messages. We designed open-ended survey questions and analyzed the data using pragmatic health equity implementation science approaches. Following the qualitative analysis of the survey responses, we designed refined COVID-19 messages incorporating participant feedback and redistributed them via a short survey. RESULTS: In total, 67 participants consented and enrolled: 31 (46%) community participants from the rural Southeast Missouri Bootheel, 27 (40%) community participants from urban St Louis, and 9 (13%) health care professionals from St Louis. Overall, we found no qualitative differences between the responses of our urban and rural samples to the open-ended questions. Participants across groups wanted familiar COVID-19 protocols, personal choice in COVID-19 preventive behaviors, and clear source information. Health care professionals contextualized their suggestions within the specific needs of their patients. All groups suggested practices consistent with health-literate communications. We reached 83% (54/65) of the participants for message redistribution, and most had overwhelmingly positive responses to the refined messages. CONCLUSIONS: We suggest convenient methods for community involvement in the creation of health messages by using a brief web-based survey. We identified areas of improvement for future health messaging, such as reaffirming the preventive practices advertised early in a crisis, framing messages such that they allow for personal choice of preventive behavior, highlighting well-known source information, using plain language, and crafting messages that are applicable to the readers' circumstances.
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 | 0,034 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».