LetsTalkShots: personalized vaccine risk communication
Notice bibliographique
Résumé
Introduction Vaccine hesitancy is a global health threat undermining control of many vaccine-preventable diseases. Patient-level education has largely been ineffective in reducing vaccine concerns and increasing vaccine uptake. We built and evaluated a personalized vaccine risk communication website called LetsTalkShots in English, Spanish and French (Canadian) for vaccines across the lifespan. LetsTalkShots tailors lived experiences, credible sources and informational animations to disseminate the right message from the right messenger to the right person, applying a broad range of behavioral theories. Methods We used mixed-methods research to test our animation and some aspects of credible sources and personal narratives. We conducted 67 discussion groups ( n = 325 persons), stratified by race/ethnicity (African American, Hispanic, and White people) and population (e.g., parents, pregnant women, adolescents, younger adults, and older adults). Using a large Ipsos survey among English-speaking respondents ( n = 2,272), we tested animations aligned with vaccine concerns and specific to population (e.g., parents of children, parents of adolescents, younger adults, older adults). Results Discussion groups provided robust feedback specific to each animation as well as areas for improvements across animations. Most respondents indicated that the information presented was interesting (85.5%), clear (96.0%), helpful (87.0%), and trustworthy (82.2%). Discussion Tailored vaccine risk communication can assist decision makers as they consider vaccination for themselves, their families, and their communities. LetsTalkShots presents a model for personalized communication in other areas of medicine and public health.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».