Sensibilisation du public aux modèles mathématiques dans les politiques de santé
Une étude examine la perception du public sur les modèles mathématiques utilisés dans les politiques de santé pendant le COVID-19.
― 7 min lire
Table des matières
Pendant la pandémie de COVID-19, le rôle des conseils scientifiques est devenu clair pour tout le monde au Royaume-Uni. Les décisions du gouvernement, comme les confinements, ont touché tout le monde. Ça a amené beaucoup de gens à vouloir savoir quelles preuves le gouvernement utilisait pour prendre ces décisions. En repensant à la gestion de la pandémie par le Royaume-Uni, les gens s'intéressent à la manière dont les preuves scientifiques, surtout les Modèles Mathématiques, ont influencé ces Politiques de santé publique.
Les modèles mathématiques sont des outils utilisés pour comprendre comment les maladies se propagent et prédire ce qui pourrait se passer ensuite. Tout au long de la pandémie, ces modèles ont joué un rôle crucial pour guider les actions du gouvernement. De nombreuses études ont déjà examiné comment ces modèles ont été utilisés pendant COVID-19. Dans des recherches précédentes, on a vu comment les scientifiques, les médias et le public ont interagi à propos de ces modèles durant la première année de la pandémie. Les experts avec qui on a parlé ont mentionné que communiquer avec le public n'était pas facile. Les politiques de santé publique dépendent souvent de la coopération des gens, donc comprendre ce que le public pense des conseils scientifiques est essentiel.
Objectif de l'étude
L'objectif de cette étude est d'explorer la Conscience du public concernant les modèles mathématiques utilisés dans les politiques de santé publique et ce qu'ils en pensent. On a collecté des données via un questionnaire en ligne et utilisé deux méthodes différentes pour rassembler des participants. Une méthode visait à obtenir un échantillon représentatif de la population, tandis que l'autre rejoignait des gens par les réseaux sociaux. Ce faisant, on espérait comprendre non seulement la sensibilisation du public, mais aussi les différences de réponses entre ces deux groupes.
Méthodologie
Conception et distribution du questionnaire
L'étude a reçu l'approbation du comité d'éthique concerné. On a conçu un questionnaire en ligne avec 24 questions-16 à choix multiples et 8 ouvertes. Le questionnaire a été découpé en différentes sections. La première partie demandait aux participants de décrire ce qu'est un modèle de transmission et d'évaluer leur Confiance dans leur réponse. Cela a servi à établir le contexte pour le reste du questionnaire.
Après cette première section, on a posé des questions plus détaillées sur la sensibilisation et les opinions des participants concernant les modèles de transmission avant et pendant la pandémie de COVID-19. Enfin, on a collecté des informations démographiques, y compris l'âge, le sexe, la profession et le statut vaccinal.
On a utilisé deux méthodes différentes pour rassembler des participants. La première méthode était via un panel en ligne, qui offrait un échantillon plus représentatif de la population générale. Environ 500 personnes ont participé à ce questionnaire. La seconde méthode consistait à partager un lien vers le questionnaire sur Twitter, atteignant un public différent. Au total, on a eu 716 participants.
Analyse des données
On s'est concentré sur le filtrage des réponses pour s'assurer que seules celles ayant répondu à toutes les questions démographiques étaient incluses. De plus, on a catégorisé les réponses ouvertes pour analyser les tendances et les sentiments. Pour les questions à choix multiples, on a utilisé des tests statistiques pour comparer les réponses entre nos deux échantillons et différentes périodes.
Résultats
Démographie des répondants
Globalement, la répartition par sexe était similaire dans les deux échantillons, avec légèrement plus de femmes participant. Il y avait des différences dans les groupes d'âge et les secteurs d'emploi. Dans le panel en ligne, les répondants étaient plus répartis entre les groupes d'âge, tandis que le groupe des réseaux sociaux avait un pourcentage plus élevé de participants plus âgés. En plus, les gens du groupe des réseaux sociaux étaient plus susceptibles d'être vaccinés contre le COVID-19.
Sensibilisation aux modèles mathématiques
La sensibilisation aux modèles mathématiques a considérablement augmenté pendant la pandémie. La plupart des répondants des deux échantillons ont reconnu que ces modèles étaient utilisés dans les politiques de santé publique durant le COVID-19. Cependant, les participants des réseaux sociaux étaient plus au courant de ces modèles par rapport au groupe du panel en ligne. La sensibilisation provenait principalement des émissions d'actualités et des réseaux sociaux.
La plupart des participants se sentaient bien informés sur les modèles mathématiques utilisés dans les politiques de santé publique pendant la pandémie. Cependant, certains répondants ont indiqué un manque d'intérêt pour le sujet, soulignant que tout le monde n'était pas engagé avec la science de ces modèles.
Fiabilité des modèles pour informer la politique
Les participants ont évalué la fiabilité de l'utilisation des modèles de transmission dans la politique de santé publique. Les deux groupes ont signalé une augmentation de la fiabilité perçue pendant la pandémie par rapport à avant. Fait intéressant, la sensibilisation à l'utilisation des modèles était généralement associée à un sentiment de fiabilité plus élevé.
Confiance dans les conseils du gouvernement
La plupart des répondants avaient une confiance modérée dans les conseils du gouvernement concernant la santé publique aux deux périodes. Cependant, on a noté une baisse de confiance pendant la pandémie. Beaucoup ont indiqué qu'ils faisaient davantage confiance aux preuves scientifiques qu'aux décisions gouvernementales. Cette distinction met en lumière une préoccupation concernant l'influence de la politique sur la santé publique.
Les répondants ont partagé des sentiments mitigés sur les changements du gouvernement en matière de conseils basés sur de nouvelles preuves. Alors que certains ressentaient plus de confiance dans la capacité du gouvernement à s'adapter, d'autres ont exprimé de la confusion et du scepticisme face aux changements fréquents.
Responsabilité de la communication
Presque tous les répondants pensaient que le gouvernement a la responsabilité d'informer le public sur la manière dont les modèles influencent les décisions politiques. De plus, beaucoup croyaient que les scientifiques et les médias ont aussi un rôle à jouer dans la communication de ces informations.
Conclusion
Nos résultats soulignent la sensibilisation accrue du public sur l'utilisation des modèles mathématiques dans la prise de décisions en matière de santé publique durant la pandémie. Il y a une distinction claire entre la confiance dans les preuves scientifiques et les décisions gouvernementales, reflétant un besoin de meilleure communication et transparence dans les futures situations de santé publique.
En avançant, comprendre les perceptions du public concernant les conseils scientifiques sera crucial pour aborder efficacement les futures crises sanitaires. L'étude rappelle l'importance d'une communication claire et le rôle actif que joue la science dans la formation de la compréhension du public sur les questions de santé.
Implications pour la recherche future
D'autres études pourraient se concentrer sur comment améliorer l'engagement du public avec les enjeux scientifiques et développer des stratégies pour une communication plus efficace entre scientifiques et grand public. Explorer les différences démographiques et comment elles influencent les perceptions des preuves scientifiques serait aussi précieux. Au final, favoriser la confiance et la compréhension sera essentiel pour la santé publique à l'avenir.
Titre: Public awareness of and opinions on the use of mathematical transmission modelling to inform public health policy in the United Kingdom
Résumé: Mathematical transmission modelling is a key component of scientific evidence used to inform public health policy and became particularly prominent during the COVID-19 pandemic. As key stakeholders, it is vital that the public perception of this set of tools is better understood. To complement a previously published article on the science-policy interface by the authors of this study, novel data were collected via responses to a survey via two methods: via an online panel ("representative" sample) and via social media ("non-probability" sample). Many identical questions were asked separately for the period "prior to" compared to "during" the COVID-19 pandemic. All respondents were increasingly aware of the use of modelling in informing policy during the pandemic, with significantly higher levels of awareness among social media respondents than online panel respondents. Awareness generally stemmed from the news media and social media during the pandemic. Transmission modelling informing public health policy was perceived as more reliable during the pandemic compared to the pre-pandemic period in both samples, with awareness being positively associated with reliability within both samples and time points, except for social media during the pandemic. Trust in government public health advice remained high across samples and time periods overall but was lower in the period of the pandemic compared to the pre-pandemic period. The decay in trust was notably greater among social media respondents. Many respondents from both samples explicitly made the distinction that their trust was reserved for "scientists" and not "politicians". Almost all respondents, regardless of sample, believed governments have responsibility for the communication of modelling to the public. These results provide an important reminder of the potentially skewed conclusions that could be drawn from non-representative samples.
Auteurs: Ruth McCabe, C. A. Donnelly
Dernière mise à jour: 2023-08-02 00:00:00
Langue: English
Source URL: https://www.medrxiv.org/content/10.1101/2023.07.31.23293324
Source PDF: https://www.medrxiv.org/content/10.1101/2023.07.31.23293324.full.pdf
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.