Openness relates to COVID‐19 vaccination rates across 48 United States but politics trump personality
Notice bibliographique
Résumé
Abstract Does geographic variation in personality across the United States relate to COVID‐19 vaccination rates? To answer this question, we combined multiple state‐level datasets: (a) Big Five personality averages (i.e., extraversion, agreeableness, conscientiousness, neuroticism, and openness; Rentfrow et al., 2008), (b) COVID‐19 full‐vaccination rates (CDC, 2021a), (c) health‐relevant demographic covariates (population density, per capita gross domestic product, and racial/ethnic data; Webster et al., 2021), and (d) political and religiosity data. Analyses showed openness as the strongest correlate of full‐vaccination rates ( r = 0.51). Controlling for other traits, demographic covariates, and spatial dependence, openness remained significantly related to full‐vaccination rates ( r p = 0.55). Adding political and religiosity data to this model diminished openness effects for full‐vaccination rates to non‐significance ( r p = 0.26); however, extraversion emerged as a significant correlate of full‐vaccination rates ( r p = 0.37). Although politics are paramount, we suspect that states with higher average openness scores are more conducive to novel thinking and behavior—dispositions that may be crucial in motivating people to take newly‐developed vaccines based on new technologies to confront a novel coronavirus.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».