COVID‐19 vaccine mistrust, health literacy, conspiracy theories, and racial discrimination among a representative ethnically diverse sample in Canada: The vulnerability of Arab, Asian, Black, and Indigenous peoples
Notice bibliographique
Résumé
Despite increased risk of severe acute respiratory syndrome coronavirus 2 infections and higher rates of COVID-19-related complications, racialized and Indigenous communities in Canada have lower immunization uptake compared to White individuals. However, there is woeful lack of data on predictors of COVID-19 vaccine mistrust (VM) that accounts for diverse social and cultural contexts within specific racialized and Indigenous communities. Therefore, we sought to characterize COVID-19 VM among Arab, Asian, Black, and Indigenous communities in Canada. An online survey was administered to a nationally representative, ethnically diverse panel of participants in October 2023. Arabic, Asian, Indigenous, and Black respondents were enriched in the sampling panel. Data were collected on demographics, COVID-19 VM, experience of racial discrimination, health literacy, and conspiracy beliefs. We used descriptive and regression analyses to determine the extent and predictors of COVID-19 VM among racialized and Indigenous individuals. All racialized respondents had higher VM score compared to White participants. Among 4220 respondents, we observed highest VM among Black individuals (12.18; ±4.24), followed by Arabic (12.12; ±4.60), Indigenous (11.84; ±5.18), Asian (10.61; ±4.28), and White (9.58; ±5.00) participants. In the hierarchical linear regression analyses, Black participants, women, everyday racial discrimination, and major experience of discrimination were positively associated with COVID-19 VM. Effects of racial discrimination were mediated by addition of conspiracy beliefs to the model. Racialized and Indigenous communities experience varying levels of COVID-19 VM and carry specific predictors and mediators to development of VM. This underscores the intricate interaction between race, gender, discrimination, and VM that need to be considered in future vaccination campaigns.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».