Applying a diffusion of innovations framework to characterise diffusion groups and more effectively reach late adopters: a cross-sectional study on COVID-19 vaccinations in Canada in late 2021
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Rogers' diffusion of innovation theory suggests innovations are adopted in stages by different groups (innovators/early adopters, early majority, late majority and late adopters). In healthcare, this could mean that there is the potential to worsen health disparities as later groups tend to also face more social and structural barriers. Determining the unique sociodemographic characteristics, beliefs and attitudes of those in each diffusion category could be useful for theorising how to reach later groups more effectively. Methods: Using a cross-sectional survey among Canadian adults in late 2021, we assigned respondents to diffusion groups based on when they received their first dose, relative to others within their age group in accordance with Rogers' model (ie, cut points: 16%, 50%, 84% with 100% being all those vaccinated within the age group). Participants answered questions about their COVID-19 vaccinations and questions related to their motivations, beliefs, values and attitudes towards COVID-19. A multinomial logistic regression model assessed the likelihood of participants being associated with each diffusion category (with the significance level set at p<0.05). Results: The final sample included 2131 respondents. Late adopters were significantly more likely to identify as non-white, live in rural locations and receive vaccinations at pharmacies. Innovators and early adopters were significantly more likely to get vaccinated in settings other than pharmacies or community centres. Conclusion: A diffusion group-based analysis brought insight into how vaccination strategies could be tailored to reach each diffusion group sooner, particularly late adopters who encounter more barriers.
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle