Perceptions of the seriousness of major public health problems during the COVID-19 pandemic in seven middle-income countries
Notice bibliographique
Résumé
INTRODUCTION: Public perception of the seriousness of the COVID-19 pandemic compared to six other major public health problems (alcoholism and drug use, HIV/AIDS, malaria, tuberculosis, lung cancer and respiratory diseases caused by air pollution and smoking, and water-borne diseases like diarrhea) is unclear. We designed a survey to examine this issue using YouGov's internet panels in seven middle-income countries in Africa, Asia, and Latin America in early 2022. METHODS: Respondents rank ordered the seriousness of the seven health problems using a repeated best-worst question format. Rank-ordered logit models allow comparisons within and across countries and assessment of covariates. RESULTS: In six of the seven countries, respondents perceived other respiratory illnesses to be a more serious problem than COVID-19. Only in Vietnam was COVID-19 ranked above other respiratory illnesses. Alcoholism and drug use was ranked the second most serious problem in the African countries. HIV/AIDS ranked relatively high in all countries. Covariates, particularly a COVID-19 knowledge scale, explained differences within countries; statistics about the pandemic were highly correlated with differences in COVID-19's perceived seriousness. CONCLUSIONS: People in the seven middle-income countries perceived COVID-19 to be serious (on par with HIV/AIDS) but not as serious as other respiratory illnesses. In the African countries, respondents perceived alcoholism and drug use as more serious than COVID-19. Our survey-based approach can be used to quickly understand how the threat of a newly emergent disease, like COVID-19, fits into the larger context of public perceptions of the seriousness of health problems.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».