Building a way forward: Enabling community voices to forge the path toward successful immunization for all
Notice bibliographique
Résumé
Community engagement is vital to the development of people-centered, successful vaccination programs. The diverse Vaccination Acceptance Research Network (VARN) community brings together interdisciplinary professionals from across the immunization ecosystem who play a crucial role in vaccination acceptance, demand, and delivery. Over the course of the VARN2023 conference, researchers and practitioners alike shared ideas and experiences focused on strategies and approaches to building trust between communities and health systems to increase equity in vaccination. Health professionals and community members must have equal value in the design and delivery of community-centered immunization services, while key vaccination decision-makers must also consider community experiences, concerns, and expertise in program design and policymaking. Therefore, strategies for community engagement and cultivating trust with communities are crucial for the success of any immunization program. Furthermore, health workers need additional skills, support, and resources to effectively communicate complex information about immunization, including effective strategies for countering misinformation. This article summarizes three skills-building sessions offered at the VARN2023 conference, focused on human-centered design, motivational interviewing, and engaging with journalists to leverage the voices of communities. These sessions offered practical, evidence-based tools for use across geographic and social settings that can be used by practitioners, researchers, and other stakeholders to increase vaccination demand and uptake in their communities.
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 | 0,039 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,022 | 0,019 |
| Communication savante | 0,025 | 0,027 |
| Science ouverte | 0,003 | 0,036 |
| Intégrité de la recherche | 0,022 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,003 |
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 ».