Experiences of Public Health Professionals Regarding Crisis Communication During the COVID-19 Pandemic: Systematic Review of Qualitative Studies
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic emerged in the digital age and has been called the first "data-driven pandemic" in human history. The global response demonstrated that many countries had failed to effectively prepare for such an event. Learning through experience in a crisis is one way to improve the crisis management process. As the world has returned to normal after the pandemic, questions about crisis management have been raised in several countries and require careful consideration. OBJECTIVE: This review aimed to collect and organize public health professionals' experiences in crisis communication to the public during the COVID-19 pandemic. METHODS: We searched PubMed, MEDLINE, CINAHL, Web of Science, Academic Search Complete, PsycINFO, PsycARTICLES, and Communication Abstracts in February 2024 to locate English-language articles that qualitatively investigated the difficulties and needs experienced by health professionals in their communication activities during the COVID-19 pandemic. RESULTS: This review included 17 studies. Our analysis identified 7 themes and 20 subthemes. The 7 themes were difficulties in pandemic communication, difficulties caused by the "infodemic," difficulties in partnerships within or outside of public health, difficulties in community engagement, difficulties in effective communication, burnout among communicators, and the need to train communication specialists and establish a permanent organization specializing in communication. CONCLUSIONS: This review identified the gaps between existing crisis communication guidelines and real-world crisis communication in the digital environment and clarified the difficulties and needs that arose from these gaps. Crisis communication strategies and guidelines should be updated with reference to the themes revealed in this review to effectively respond to subsequent public health crises. TRIAL REGISTRATION: PROSPERO CRD42024528975; https://www.crd.york.ac.uk/prospero/display_record.php?RecordID=528975. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.2196/58040.
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 | 0,033 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».