A global survey to understand general vaccine trust, COVID-19 and influenza vaccine confidence
Notice bibliographique
Résumé
Introduction The COVID-19 pandemic has greatly impacted the way that the world views vaccines. While safe and effective, COVID-19 vaccines were, and continue to be met with hesitancy and misinformation. We aimed to understand public perceptions and trust in COVID-19 vaccinations and how the pandemic has impacted perceptions of non-COVID-19 vaccines. Methods Survey data were collected between August 7, 2023–August 16, 2023, from 7,000 respondents aged 18 years and older from the United States ( n = 1,000); Nigeria ( n = 1,000); United Kingdom ( n = 1,000); France ( n = 1,000); Canada ( n = 1,000); Brazil ( n = 1,000); and India ( n = 1,000). Results Trust in COVID-19 vaccines was highest in Brazil (84.6%) and India (80.4%) and lowest in the United States (63.5%) and France (55.0%). 47.5% of respondents agreed that they trust traditional protein-based vaccines more than mRNA vaccines, 13.5% disagree and 39.0% are neutral about their trust in protein-based versus mRNA vaccines. Overall, 53.9% of respondents reported that the COVID-19 pandemic impacted their perceptions of vaccines with half of these respondents (51.7%) reporting that the pandemic made them think that other vaccines are more important as they understand how critical vaccines can be at preventing serious illnesses. Discussion These data can be used by health system decision makers, public health and researchers to understand how vaccine trust impacts perceptions of COVID-19 and influenza vaccines globally and develop tailored interventions that address local concerns.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».