Building Vaccine Readiness for Future Pandemics: Insights from COVID-19 Vaccine Intent and Uptake
Notice bibliographique
Résumé
Background/Objectives: This longitudinal study investigated psychosocial predictors of COVID-19 vaccine intentions before vaccine availability (July 2020) and vaccine uptake or ongoing intent after widespread vaccine rollout (April 2021) using constructs from the Health Belief Model (HBM) and a measure of trust in government. Methods: A U.S. adult sample (N = 142) completed surveys at two time points: prior to and following the release of COVID-19 vaccines. Key predictors included demographics, trust in government, and HBM constructs. Hierarchical logistic regression was used to predict vaccine intent and uptake at both time points. Results: At Time 1, intent to vaccinate was significantly predicted by higher perceived susceptibility (p = 0.038), greater perceived benefits (p < 0.001), and lower perceived barriers (p = 0.002). Trust in government was not a significant predictor. At Time 2, vaccine uptake/ongoing intent was significantly predicted by higher trust in government (p = 0.047), greater perceived benefits (p < 0.001), and lower perceived barriers (p = 0.002). Perceived susceptibility was no longer a significant predictor. Between time points, trust in government and self-efficacy increased, while perceived severity and barriers decreased. Conclusions: Perceived benefits and barriers were robust predictors of vaccine behavior across both time points. Trust in government became a stronger predictor once vaccines were available, underscoring the importance of building and maintaining public trust throughout a health crisis. Messaging should emphasize vaccine benefits, proactively address barriers, and adapt over time as public perceptions shift. These findings inform strategies for enhancing vaccine confidence and readiness in future pandemics.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».