May the government impose a vaccination requirement?
Bibliographic record
Abstract
Vaccinatieprogramma’s zijn al decennialang een enorm succes, maar de laatste jaren daalt in veel landen de bereidheid van mensen om zichzelf of hun kind te laten vaccineren. In 2023 kwam in Nederland de vaccinatiegraad onder jonge kinderen voor het eerst sinds vele decennia onder de 90 procent uit. Groepen ouders hebben zorgen over veiligheid, nut en noodzaak van vaccinatie, en besluiten daarom hun kinderen niet meer te laten vaccineren. Bij de vaccinatie tegen COVID-19 speelden vergelijkbare twijfels. Dat mensen zich zorgen maken over de veiligheid van vaccinaties is niet vreemd, en GGD-artsen hebben dan ook veel aandacht voor uitleg en een gesprek over die zorgen. Tegelijkertijd worden de twijfels gevoed en versterkt door een antivaccinatiebeweging die zich steeds nadrukkelijker laat horen. Daarmee heeft het publieke debat over vaccinatie een sterk gepolariseerd karakter gekregen. In Nederland en andere landen worden vaccinaties aanbevolen, maar deelname is volstrekt vrijwillig. Zou dit moeten veranderen? Mag of moet de overheid in een democratie, waar respect voor individuele rechten centraal staat, drang of zelfs dwang gebruiken om burgers te bewegen zichzelf of hun kind te laten vaccineren?
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 | 0.017 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.010 | 0.011 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.022 | 0.013 |
| Insufficient payload (model declined to judge) | 0.046 | 0.008 |
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".