Social Media and the Evolution of Vaccine Preferences During the COVID-19 Pandemic: Discrete Choice Experiment
Notice bibliographique
Résumé
Background: Vaccine information and misinformation are spread through social media in ways that may vary by platform. Understanding the role social media plays in shaping vaccine preferences is crucial for policymakers and researchers. Objective: This study aims to test whether social media use is associated with changes in vaccine preferences during the COVID-19 pandemic in New Zealand, and whether trust in sources of information has a moderating role. Methods: Our data consist of a balanced panel of 257 web-based respondents in New Zealand in August 2020, October-November 2020, and March-April 2021. We use a novel approach with stated choice panel data to study transitions between different vaccine preference groups. We analyze the associations between these transitions and social media use. We classify respondents as resistant (never chose a vaccine), hesitant (chose a vaccine between 1 and 5 times), and provaccine (chose a vaccine 6 out of 6 times) in each wave of data. Results: We found a positive or neutral association between social media use and vaccine uptake. Facebook, Twitter (pre-2022), and TikTok users who are provaccine are less likely to become hesitant or resistant. Facebook and Instagram users who are hesitant are more likely to become pro. Some social media platforms may have a more positive association with vaccine uptake preferences for those who do not trust the government. Conclusions: The paper contributes to the wider literature, which shows social media can be associated with reinforcing both pro and antivaccination sentiment, and these results depend on where individuals get their information from and their trust in such sources.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».