Assessing the determinants of uptake and hesitancy in accessing COVID 19 vaccines in Nigeria: a scoping review
Notice bibliographique
Résumé
The coronavirus disease (COVID-19) is one of the largest public health threats in recent times, with significant health, economic, and social consequences globally. The WHO reported that over 651 million cases and 6.6 million deaths were attributed to COVID-19 globally. The Nigeria Centre for Disease Control (NCDC) in 2022 revealed that 266,057 cases with 3,155 deaths were reported. All the thirty-six states and the Federal Capital Territory (FCT) of Nigeria were affected, but Lagos and the FCT reported the highest number of cases. However, it is possible that these numbers do not accurately reflect the severity of COVID-19 disease in Nigeria because the country had only tested 5,160,280 people as at 2022, despite a population of around 200 million. Nigeria did not meet its 2021 vaccination target, prompting the need to identify the contextual factors affecting vaccine access and uptake as well as vaccine hesitancy in Nigeria and document the approaches that can be deployed to reduce opposition to vaccination as well as improve advocacy for vaccine equity. This scoping review, conducted using Arksey and O'Malley's framework, aimed to explore the factors influencing COVID-19 vaccine hesitancy and uptake in Nigeria. A comprehensive literature search was conducted across electronic databases, including Google Scholar and PubMed, with studies from Nigeria published in English. The review included 25 studies on vaccine hesitancy, uptake, and willingness to accept COVID-19 vaccination, identifying barriers at the national, community, and individual levels. The results indicated that 90% of the studies showed low vaccine acceptance and uptake, with barriers related to vaccine availability, misinformation, cultural and religious influences, socioeconomic factors, and lack of trust in the health system. Socio-demographic factors such as gender, age, education, and income were identified as key influences. The findings highlight the need for targeted, evidence-based strategies to address vaccine hesitancy, improve vaccine distribution, and engage diverse population groups to enhance vaccination uptake across Nigeria.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».