Shaping global vaccine acceptance with localized knowledge: a report from the inaugural VARN2022 conference
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
2022. This inaugural event brought together a global representation of experts to discuss key priorities and opportunities emerging across the ecosystem of vaccine acceptance and demand, from policies to programs and practice. Convened by the Sabin Vaccine Institute, VARN aims to support dialogue among multidisciplinary stakeholders to enhance the uptake of social and behavioral science-based solutions for vaccination decision-makers and implementers. The conference centered around four key themes: 1) Understanding vaccine acceptance and its drivers; 2) One size does not fit all: community- and context-specific approaches to increase vaccine acceptance and demand; 3) Fighting the infodemic and harnessing social media for good; and 4) Frameworks, data integrity and evaluation of best practices. Across the conference, presenters and participants considered the drivers of and strategies to increase vaccine acceptance and demand relating to COVID-19 vaccination and other vaccines across the life-course and across low-, middle- and high-income settings. VARN2022 provided a wealth of evidence from around the world, highlighting the need for human-centered, multi-sectoral and transdisciplinary approaches to improve vaccine acceptance and demand. This report summarizes insights from the diverse presentations and discussions held at VARN2022, which will form a roadmap for future research, policy making, and interventions to improve vaccine acceptance and demand globally.
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.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 découle