Use of a Peer Equity Navigator Intervention to Increase Access to COVID-19 Vaccination Among African, Caribbean and Black Communities in Canada
Notice bibliographique
Résumé
African, Caribbean, and Black (ACB) communities face increased COVID-19 morbidity and mortality, coupled with significant barriers to vaccine acceptance and uptake. Addressing these challenges requires innovative, multifaceted strategies. Peer-led interventions, grounded in critical health literacy (CHL) and critical racial literacy (CRL), and integrating collaborative equity learning processes, can enhance community capacity, empowerment, and health outcomes, contributing to long-term health equity. This paper describes and presents the evaluative outcomes of a peer-led intervention aimed at enhancing COVID-19 vaccine confidence and acceptance. The Peer-Equity Navigator (PEN) intervention consisted of a specialized training curriculum grounded in CHL and CRL. Following training, PENs undertook a 5-month practicum in community or health settings, engaging in diverse outreach and educational activities to promote vaccine literacy in ACB communities. The evaluation utilized a modified Reach, Effectiveness, Adoption, Implementation, and Maintenance (RE-AIM) Framework, using quantitative and qualitative methods to collect data. Sources of data included tracking records with community feedback, and a PEN focus group, to assess program feasibility, outreach, and effectiveness. From 16 September 2022, to 28 January 2023, eight trained PENs conducted 56+ community events, reaching over 1500 community members. Both PENs and community members reported high engagement, endorsing peer-led, community-based approaches and increased vaccine literacy. The PEN approach proves feasible, acceptable, and effective in promoting positive health behaviors among ACB communities. This intervention has clear implications for health promotion practice, policy, and research in equity-deserving communities, including immigrants and refugees, who also face multiple and intersecting barriers to health information and care.
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 | 0,004 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».