The refusal of COVID-19 vaccination and its associated factors: a meta-analysis
Notice bibliographique
Résumé
<ns4:p>Background To date, more than 10% of the global population is unvaccinated against the coronavirus disease 2019 (COVID-19), and the reasons why this population is not vaccinated are not well identified. Objectives We investigated the prevalence of COVID-19 vaccine refusal and to assess the factors associated with COVID-19 vaccine refusal. Methods A meta-analysis was conducted from August to November 2022 (PROSPERO: CRD42022384562). We searched for articles investigating the refusal of COVID-19 vaccination and its potential associated factors in PubMed, Scopus, and the Web of Sciences. The quality of the articles was assessed using the Newcastle–Ottawa scale, and data were collected using a pilot form. The cumulative prevalence of the refusal to vaccinate against COVID-19 was identified through a single-arm meta-analysis. Factors associated with COVID-19 vaccine refusals were determined using the Mantel-Haenszel method. Results A total of 24 articles were included in the analysis. Our findings showed that the global prevalence of COVID-19 vaccine refusal was 12%, with the highest prevalence observed in the general population and the lowest prevalence in the healthcare worker subgroup. Furthermore, individuals with a high socioeconomic status, history of previous vaccination, and a medical background had a lower rate of COVID-19 vaccination refusal. Subsequently, the following factors were associated with an increased risk of COVID-19 vaccine refusal: being female, educational attainment lower than an undergraduate degree, and living in a rural area. Conclusion Our study identified the prevalence of and factors associated with COVID-19 vaccine refusal. This study may serve as an initial reference to achieve global coverage of COVID-19 vaccination by influencing the population of COVID-19 vaccine refusal.</ns4:p>
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».