How Do the Components of Social Capital Reduce COVID‐19 Vaccine Hesitancy? Lessons From a Canadian National Survey
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT This paper theorizes that not all components of social capital reduce vaccine hesitancy. Specifically, it hypothesizes that institutional trust, trust in experts, and social networks reduce vaccine hesitancy, while generalized trust and civic participation do not influence vaccine hesitancy. These hypotheses are tested using a large Canadian survey during the COVID‐19 pandemic. The data originate from the publicly available national survey of the Canadian general population aged 18 and older ( N = 9829). Binomial logistic regression is estimated to establish the influence of social capital components on vaccine hesitancy while controlling for a comprehensive set of covariates, including the socio‐demographics of the respondents, their political views, media exposure, self‐reported health status, and province of residence. The odds ratios, significance levels, and 95% confidence intervals are reported. The results confirmed the posted hypotheses by suggesting that institutional trust has the strongest influence on reducing vaccine hesitancy, followed by the influence of trust in experts and the size of the social networks. Conversely, the influence of generalized trust and civic participation on vaccine hesitancy was not statistically significant. The findings of this paper suggest that an increase in institutional trust, effectively using experts' opinions, and taking into account features of social networks will increase vaccination uptake and reduce hesitancy.
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.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle