Drivers of vaccine hesitancy among vulnerable populations in India: a cross-sectional multi-state study
Notice bibliographique
Résumé
Objectives: India's Covid-19 vaccination campaign engaged frontline workers (FLWs) to encourage vaccination among vulnerable segments of society. The FLWs report encountering a variety of barriers to vaccination and are often unsuccessful despite multiple visits to the same person. This cross-sectional study aims to pinpoint which of these barriers drive vaccine hesitancy among these segments, to help streamline vaccine communication, including FLW training, to better safeguard the population. Methods: Trained field enumerators contacted 893 individuals from five states across India and collected self-reported assessments of fifteen vaccination barriers (identified through discussions with FLWs), current vaccination status and future vaccination intentions, and covariates (demographics/comorbidities). Factor analysis of the fifteen barriers yielded two factors, one relating to fear of vaccine adverse effects and a second focused on peripheral concerns regarding the vaccine. The covariates significantly associated with current vaccination status were combined under a latent class regime to yield three cluster types (health access, financial strength, and demographics). The primary analysis examined the effect of the two barrier factors, the covariate clusters, and comorbidity, on current vaccination status and future vaccine intentions. Results: Fear of vaccine adverse effects was the primary driver of vaccine hesitancy; peripheral concerns frequently mentioned by the FLWs had no impact. Although cluster membership and the presence of comorbidities predicted vaccine uptake, neither of them materially altered the effect of fear of vaccine adverse effects with the following exception: fear of adverse effects was not associated with vaccination status among young Muslim men. Conclusion: Subject to limitations, these results indicate that interventions to decrease vaccine hesitancy should focus primarily on fear associated with vaccines rather than spend resources trying to address peripheral concerns.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».