Institutional trust, conspiracy beliefs and Covid-19 vaccine uptake and hesitancy among adults in Ghana
Notice bibliographique
Résumé
Vaccine hesitancy is considered one of the ten threats to global health. In the context of the COVID-19 pandemic, vaccine hesitancy may undermine efforts toward controlling or preventing the disease. Nevertheless, limited research has examined vaccine hesitance, particularly in low- and middle-income countries (LMICs). It is thus imperative to examine how institutional trust and conspiracy belief in tandem influence the uptake of COVID-19 vaccines. Using data (n = 2059) from a cross-sectional study in Ghana, this study examines the association between institutional trust, conspiracy beliefs, and vaccine uptake among adults in Ghana using logistics regression. The regression model (model 3) adjusted for variables such as marital status, age, gender, employment, income, and political affiliations. The results show that individuals were significantly less likely to be vaccinated if they did not trust institutions (OR = .421, CI = .232-.531). Similarly, we found that individuals who believed in conspiracy theories surrounding the COVID-19 vaccine were less likely to be vaccinated (OR = .734, CI = .436-.867). We also found that not having a COVID-19-related symptom is associated with vaccine refusal (OR = .069, CI = .008-.618). Similarly, compared to those with a vaccine history, those without a vaccine history are less likely to accept the COVID-19 vaccine (OR = .286, CI = .108-.756). In conclusion, our results demonstrate the need for enhanced education to tackle conspiracy beliefs about the disease and enhance vaccine uptake. Given the role of trust in effecting attitudinal change, building trust and credibility among the institutions responsible for vaccinations ought to be prioritized.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».