From vaccine hesitancy to vaccine motivation: A motivational interviewing based approach to vaccine counselling
Notice bibliographique
Résumé
The COVID-19 pandemic highlighted Vaccine Hesitancy (VH) as an accelerating global phenomenon that must be addressed. According to the WHO, thirty to fifty percent of the world’s population are VH. Motivational Interviewing (MI) is an evidence-based communication style demonstrated to significantly reduce VH. MI guides people toward change through the expression of empathy and by respecting an individual’s autonomy. Healthcare providers (HCPs) are the primary implementors of vaccine policies and the most trusted advisors and influencers of vaccination intention at the individual patient level. Training HCPs in MI is one of the most effective strategies to overcome VH. Many countries are currently implementing HCP training programs and population-based MI interventions to improve vaccine uptake. MI conversations are ‘the heart’ of vaccine decision-making processes. Understanding individual patient-level drivers of hesitancy allows clinicians to efficiently provide tailored, accurate information that reinforces a person’s own motivation and confidence in their own decision. This paper describes a 4-step practical framework designed to support HCPs in their dialogue with vaccine-hesitant patients. (1) Engaging to establish a trustful relationship and safety to freely express opinions, beliefs, and knowledge gaps; (2) Understanding what matters most to the individual; (3) Offering Information to co-build accurate knowledge in order to guide the individual toward vaccine intention (4) Clarifying and Accepting to validate an individual’s decision-making autonomy. We believe that our pragmatic approach can contribute to greater acceptability of COVID-19 and other vaccines, and enable rapid deployment of practical MI skills across care systems.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».