Understanding COVID-19 Vaccine Education for Long-Term Care Workers: An Environmental Scan
Notice bibliographique
Résumé
Aim: We sought to understand educational interventions delivered to long-term care home staff in Ontario, Canada, about COVID-19 vaccines. Background: Vaccinating staff in long-term care homes is critical to protecting workers and vulnerable residents from COVID-19. However, significant COVID-19 vaccine hesitancy was observed amongst healthcare workers globally when they were first introduced. While knowledge exists around why healthcare workers may express hesitancy towards vaccines, there remains an evidence gap on the delivery of educational interventions for promoting COVID-19 vaccine uptake in this population. Methods: We conducted an environmental scan consisting of 15 structured interviews with nurse practitioners and management in long-term care homes about education implemented to address staff vaccine hesitancy. We also extracted data from 3 relevant articles identified through a scoping review. Findings: One-to-one informal conversations were the primary method of delivering education, often supplemented with formal presentations and written information. Facilitators of the education were often peers, nurse practitioners, and directors of care. Equity, diversity, and inclusion (EDI) (e.g., providing education in multiple languages) were considered in some programs but rarely embedded in most formal delivery. The most common barrier to providing education was time constraints. Conclusions: This environmental scan highlights a range of educational initiatives that were introduced to boost vaccine confidence among workers in the long-term care sector during the COVID-19 pandemic. While there have been limited formal evaluations of these initiatives, there are informal lessons learned from these interventions that may be informative for the design of future vaccine education programs.
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 | 0,000 | 0,000 |
| 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 | 0,003 | 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) | 0,002 | 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 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 ».