Sentiment analysis of employees and COVID-19 vaccine hesitancy at workplace
Notice bibliographique
Résumé
Abstract Vaccination is a potent means to combat the spread of infectious disease epidemics or pandemics, such as the COVID-19 pandemic. However, getting sufficient people to accept the vaccine and achieve herd immunity remains a significant challenge. This study evaluates preschool workers’ sentiments and challenges during in-person schooling amidst the COVID-19 pandemic and attitudes toward COVID-19 vaccination through a survey. The study surveyed preschool workers as part of a consulting project. Workers’ sentiments are analyzed using Azure Machine Learning (AML) data analytic method, statistical analysis, and theoretical evaluation. The results show that no association exists between employee job category (teachers versus support staff) and COVID-19 vaccine hesitancy. However, fewer teaching staff were hesitant to take the COVID-19 vaccine than the support staff (46% < 50%), but the difference was not significant [Chi-Square (χ2) = 0.009; p>0.05]. The overall sentiments of all preschool workers showed 46%, indicating low neutrality, implying hesitancy toward the COVID-19 vaccine. Preschool workers who felt optimistic about the vaccine’s potency cited scientific reasons; those with neutral sentiments needed further information and assurances about the side effects, indicating that appropriate health education can sway more people positively towards accepting the vaccine; people with negative sentiments displayed distrust, fear, personal beliefs, and misinformation. The results also highlight the need to educate all workers on vaccine potency despite the levels of education. Regardless of academic qualifications, any uninformed person can fall prey to misinformation and conspiracy theories. Proper health education helps people make informed decisions.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».