COVID-19 Vaccine Hesitancy: A Cross-Sectional Study of Visible Minority Canadian Communities
Notice bibliographique
Résumé
The World Health Organization (WHO) defines vaccine hesitancy as reluctance or refusal to vaccinate despite availability. Contributing factors in visible minority populations include vaccine safety, effectiveness, mistrust, socioeconomic characteristics, vaccine development, information circulation, knowledge, perceived risk of COVID-19, and perceived benefit. Objectives: This study aimed to examine vaccine hesitancy in visible minority populations across Canadian regions. Methods: A survey was conducted among visible minority populations in Canadian regions, using 21 questions from the available literature via the Delphi method. The Canadian Hub for Applied and Social Research (CHASR) administered the survey to individuals 18 years or older who resided in Canada at the time of the survey and identified as visible minorities such as Asian, Black, and Latin American. After recruiting 511 participants, data analysis used Chi-square tests of association and 95% confidence intervals (CIs) to identify regional differences in vaccine choices, side effects, information sources, and reasons for vaccination. A weighted analysis extended the results to represent the visible minorities across provinces. Results: Higher rates of Pfizer were administered to participants in Ontario (73%), the Prairies (72%), British Columbia (71%), and Quebec (70%). British Columbia had the highest Moderna rate (59%). The most common side effect was pain at the injection site in Quebec (62%), Ontario (62%), BC (62%), and in the Atlantic (61%). Healthcare professionals and government sources were the most trusted information sources, with healthcare professionals trusted particularly in the Prairies (70%) and government sources similarly trusted in Quebec (65%) and Ontario (65%). In the Atlantic, 86% of refusals were due to side effects and 69% were due to prior negative vaccine experiences. Conclusions: Leveraging healthcare professionals’ trust, community engagement, and flexible policies can help policymakers improve pandemic preparedness and boost vaccine acceptance.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».