Development and Evaluation of a Peer Equity Navigator Intervention for COVID-19 Vaccine Promotion and Uptake in African, Caribbean and Black Communities in Ottawa, Canada
Notice bibliographique
Résumé
Abstract Background African, Caribbean and Black Communities (ACB) have experienced an increased burden of COVID-19 morbidity and mortality as well as significant barriers to COVID-19 vaccine acceptance and uptake. Addressing the complex issues of vulnerable populations, such ACB communities, requires a multipronged approach and innovation. Peer-led approaches framed within critical health literacy (CHL) and critical racial literacy (CRL) discourses, along with collaborative and participatory equity learning processes, increased community capacity, empowerment, and practice outcomes. They may contribute to long-term improvements in health and health equity. Methods We developed and evaluated a peer-equity navigator intervention to increase vaccine confidence and acceptance in ACB communities using a modified Reach, Effectiveness, Adoption, Implementation, Maintenance (RE-AIM) Framework. The evaluation drew upon multiple data sources, including tracking data, surveys with community members, and a focus group with peer equity navigators (PENs). Results We found that an innovative, community-informed and peer-led model designed to increase awareness and agency among ACB communities was feasible, acceptable, and effective for over 1500 ACB community members between Sept 16, 2022 and Jan 28, 2023. Consistent with the partnership approach, 8 trained PENS conducted over 56 community events. Peer equity navigators (PENS) and community members reported high levels of engagement, appreciation for peer-led community-based approaches and increased vaccine literacy. Conclusions The PEN approach is a feasible, acceptable, and effective intervention for reaching and engaging ACB community members in health-promoting actions and behaviors.
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 | 0,008 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».