Entre les moutons et les antivaxs : réactions des médias sociaux aux nouvelles sur les vaccins contre la COVID-19 publiées par les agences de presse canadiennes, et recommandations pour contrer l’hésitation à l’égard de la vaccination
Bibliographic record
Abstract
Contexte : Pour créer une initiative de santé publique réussie qui permet de contrer l’hésitation à l’égard de la vaccination et de promouvoir l’acceptation de la vaccination, il est essentiel d’acquérir une solide compréhension des croyances, des attitudes et des perceptions subjectives de la population à l’égard du risque. Méthodes : Une analyse qualitative du discours sur les vaccins contre la maladie à coronavirus 2019 (COVID-19) provenant de 3 731 publications dans les médias sociaux sur les comptes Twitter et Facebook de six agences de presse canadiennes a été utilisée pour déterminer les perceptions, les attitudes, les croyances et les intentions des commentateurs dans les médias sociaux des agences de presse canadiennes à l’égard des vaccins contre la COVID-19. Résultats : Quatre principaux thèmes ont été dégagés : 1) préoccupations relatives à l’innocuité et à l’efficacité des vaccins contre la COVID-19; 2) théories de conspiration découlant de la méfiance à l’égard du gouvernement et d’autres organisations; 3) un vaccin contre la COVID-19 est inutile, parce que le virus n’est pas dangereux; et 4) la confiance dans les vaccins contre la COVID-19 comme solution sécuritaire. En se fondant sur les thèmes et les sous-thèmes, plusieurs recommandations clés en matière de communication ont été élaborées pour promouvoir l’acceptation des vaccins contre la COVID-19, notamment des infographies parrainées par la Santé publique qui mettent en évidence les avantages des vaccins pour ceux qui l’ont reçu, l’éducation du public au sujet du contenu et de l’innocuité des vaccins et l’établissement d’un lien émotionnel grâce aux histoires personnelles des personnes touchées par la COVID-19. Conclusion : Des considérations particulières, comme le fait de tirer parti de la confiance du public dans les professionnels de la santé pour agir comme liaison entre la santé publique et le public canadien afin de communiquer les avantages des vaccins contre la COVID-19 et ses variants pourraient aider à réduire l’hésitation à l’égard des vaccins contre la COVID-19.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.026 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".