Restoring public trust in COVID-19 vaccine among Africans, Caribbean, and Black Canadians using Community based participatory research (CBPR)
Notice bibliographique
Résumé
Abstract Background The COVID-19 pandemic had a significant global impact predominantly among Africans, Caribbean and Black (ACB) Canadians. ACB people experienced higher infection and recovery rates, greater health risks, and access to care. Evidence shows that public mistrust, due to anti-Black racism and historical trauma contributed to low vaccine uptake among ACB populations. Our study examined multi-level and intersectional issues impacting vaccine uptake and acceptance in Ottawa. This paper will focus on the theme of agency. Methods A mixed methods research (MMR) approach guided this study using the socio-ecological model (SEM), intersectionality lens, and community-based participatory research principles to generate qualitative results. The sample included 49 ACB participants involved in community focus group discussions (FGDs) and 27 participants from our World Cafe. The sample population from the FGDs included service providers (20), social workers (15), doctors (3), and nurses (3) and others (8) who were predominantly Black African (70%), mostly female (80%), age range was 35–44 (33%) with high school diplomas (40%). The sample for the World Cafe included ACB members from community organizations, public health services, and peer-equity navigators (PENs). Data were recorded digitally, transcribed verbatim, analyzed inductively. Data analysis methods were thematic analysis including inductive coding using NVivo software and rigor methods were member-checking and external audits. Results Our data showed rebuilding public trust is possible by bridging knowledge gaps on vaccine information, increasing service providers’ cultural competence capacity, and providing governance/leadership opportunities for ACB communities. Conclusion Restoring public trust will require dismantling racism by prioritizing ACB community’ needs, proactive and accessible culturally appropriate messages, and opportunities to develop policies to improve health outcomes.
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 | 0,041 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,031 | 0,010 |
| Communication savante | 0,007 | 0,002 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».