The second annual Vaccination Acceptance Research Network Conference (VARN2023): Shifting the immunization narrative to center equity and community expertise
Notice bibliographique
Résumé
Promoting vaccine acceptance and demand is an essential, yet often underrecognized component of ensuring that everyone has access to the full benefits of immunization. Convened by the Sabin Vaccine Institute, the Vaccination Acceptance Research Network (VARN) is a global network of multidisciplinary stakeholders driving strengthened vaccination acceptance, demand, and delivery. VARN works to advance and apply social and behavioral science insights, research, and expertise to the challenges and opportunities facing vaccination decision-makers. The second annual VARN conference, When Communities Lead, Global Immunization Succeeds, was held June 13-15, 2023, in Bangkok, Thailand. VARN2023 provided a space for the exploration and dissemination of a growing body of evidence, knowledge, and practice for driving action across the vaccination acceptance, demand, and delivery ecosystem. VARN2023 was co-convened by Sabin and UNICEF and co-sponsored by Gavi, the Vaccine Alliance. VARN2023 brought together 231 global, regional, national, sub-national, and community-level representatives from 47 countries. The conference provided a forum to share learnings and solutions from work conducted across 40+ countries. This article is a synthesis of evidence-based insights from the VARN2023 Conference within four key recommendations: (1) Make vaccine equity and inclusion central to programming to improve vaccine confidence, demand, and delivery; (2) Prioritize communities in immunization service delivery through people-centered approaches and tools that amplify community needs to policymakers, build trust, and combat misinformation; (3) Encourage innovative community-centric solutions for improved routine immunization coverage; and (4) Strengthen vaccination across the life course through building vaccine demand, service integration, and improving the immunization service experience. Insights from VARN can be applied to positively impact vaccination acceptance, demand, and uptake around the world.
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 | 0,051 | 0,030 |
| 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 | 0,005 | 0,003 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,008 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,005 |
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 ».