Eliciting altruism in a video intervention to increase COVID-19 vaccination intentions amongst younger adults
Bibliographic record
Abstract
Depuis la découverte du virus SARS-CoV-2 en 2020, la pandémie de COVID-19 a infecté plus de 500 millions de personnes et causé 6,1 millions de décès dans le monde. Grâce à un financement rapide et à la recherche collaborative de scientifiques du monde entier, des vaccins sûrs et efficaces contre la COVID-19 ont été mis au point en un temps record. Cependant, l’hésitation à la vaccination, en particulier chez les jeunes adultes, a constitué une menace importante à la réduction de la propagation du virus et au décroissement de la pandémie. Des études antérieures ont montré que faire appel à des messages altruistes peut être efficace pour augmenter l’acceptation des vaccins. La présente étude a évalué l’efficacité d’une brève vidéo suscitant l’altruisme pour accroître l’acceptation du vaccin chez les jeunes Canadiens. Dans le cadre d’un sondage en ligne utilisant un modèle d’essai contrôlé randomisé pré-à-post, nous avons randomisé des Canadiens âgés de 20 à 39 ans dans un rapport de 1:1 par rapport au groupe d’intervention vidéo ou à un groupe témoin actif composé d’informations textuelles concernant des comportements préventifs liés à la COVID-19 autres que la vaccination. Nous avons constaté un changement significatif au sein du groupe d’intervention vidéo, tandis que la différence entre les deux groupes n’était pas significative. De plus, dans le groupe d’intervention vidéo, nous avons constaté que ceux qui n’avaient pas encore pensé à la vaccination et ceux qui étaient indécis quant au vaccin contre la COVID-19 étaient plus enclins à accepter un vaccin que ceux qui avaient décidé de ne pas recevoir le vaccin. Ces résultats démontrent que les messages suscitant l’altruisme pourraient être utilisés pour accroître l’adoption du vaccin chez les jeunes Canadiens, en particulier ceux qui ne sont pas déjà complètement résistants à la vaccination. Cette étude peut informer les autorités de santé publique dans la création de messages ciblés et peut être adaptée au contexte actuel de la pandémie de COVID-19 ou d’autres maladies évitables par la vaccination
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".