La confiance de la communauté comme indicateur de l’adhésion aux mesures de santé publique : résultats d’une enquête nationale au Canada
Bibliographic record
Abstract
Contexte : Les modèles de santé publique manquent souvent de données exhaustives sur le comportement, ce qui mène à des prévisions inexactes sur la propagation de la maladie ainsi qu'à des renseignements insuffisants sur la façon d'établir et de maintenir efficacement le respect des protocoles de santé publique changeants.Objectif : La présente étude pallie ce manque de données exhaustives sur le comportement en examinant le rôle de la confiance comme indicateur de l'adhésion aux mesures de santé publique.Méthodes : Les données ont été recueillies dans le cadre d'une enquête au passage en ligne auprès de 3 021 Canadiens de 16 ans et plus engagés de manière aléatoire.L'enquête analysait des facteurs comme le sexe, l'éducation et les sources d'information sur la COVID-19 relativement à l'adhésion aux lignes directrices en matière de santé publique.Résultats : La confiance et le fait de respecter l'expertise d'une personne suffisamment pour accepter ses conseils se sont avérés un puissant indicateur de l'adhésion aux mesures de santé publique.Cela souligne l'importance de la confiance pour façonner l'engagement communautaire.On a également constaté que l'adhésion des communautés permettait de prédire l'adhésion future prévue.Conclusion : Cette étude met l'accent sur le rôle essentiel de la confiance, surtout au niveau des communautés, dans le succès des mesures de santé publique et propose d'intégrer la mesure de la confiance dans les modèles de santé publique en matière de conformité et de résistance.
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 | 0.025 | 0.058 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".