MARC

 008260126s2025        us                              c    eng  d
■001000017359551
■00520260202105136
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291572146
■035    ▼a(MiAaPQ)AAI32239880
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a384
■1001  ▼aCotter,  Lynne  M.
■24510▼aData  Visualization  Techniques  in  Vaccine  Health  Communication:  Broadening  the  Appeal  of  Visual  Vaccine  Messaging  in  Public  Health
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a218  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Yang,  Sijia.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aVisual  health  messaging  has  become  an  increasingly  important  public  health  tool,  with  data  visualizations  comprising  a  significant  share  of  public  health  communications.  This  dissertation  examines  multimodal  COVID-19  and  flu  vaccine  messages  designed  to  influence  vaccine  attitudes  and  behavioral  intentions,  addressing  three  key  questions:  Can  interactivity  in  health  messaging  influence  vaccine  attitudes?  Can  data  visualizations  effectively  change  vaccine  perceptions?  Furthermore,  given  the  polarized  nature  of  vaccine  attitudes  and  the  growing  influence  of  visual  health  messages  in  public  health,  this  research  explores  how  visual  message  features  persuade,  ultimately  addressing  the  question:  What  theoretical  mechanisms  support  visual  health  messaging  to  political  partisans?  Chapter  1  starts  with  an  introduction  to  vaccination  trends  in  the  United  States,  and  then  explores  potential  message  features  that  are  used  in  health  messaging,  including  targeted  and  tailored  health  messages,  and  visual  health  messaging,  and  ways  that  data  visualizations  have  been  studied  as  persuasive  tools.  The  chapter  also  outlines  unexpected  and  null  results  in  these  types  of  studies.  The  chapter  concludes  with  a  methodological  description  of  three  empirical  chapters.Chapter  2  examines  message  interactivity  as  a  tool  for  tailoring  health  messages,  comparing  interactive  versus  static  flu  vaccination  dashboards.  Results  show  that  interactive  dashboards  are  not  more  impactful  at  changing  perceived  flu  susceptibility.  However,  considering  the  multimodal  aspect  of  a  dashboard,  message  recall  is  significantly  higher  when  there  is  header  text  on  the  dashboard.  Chapter  3  explores  message  tailoring  for  political  partisans,  empirically  testing  multimodal  autonomy-confirming  language  in  flu  and  COVID-19  vaccine  messages  that  incorporate  text  and  images  together.  Results  demonstrate  that  autonomy-confirming  language  is  more  effective  for  ideologically  conservative  parents  at  improving  vaccine  confidence.  This  study  serves  to  highlight  the  need  for  differential  messaging  strategies  for  political  partisans,  which  is  further  explored  in  the  following  chapter.Chapter  4  serves  as  a  cautionary  tale  in  multimodal  vaccine  messaging.  Again,  looking  at  multimodal  vaccine  messages,  this  study  manipulates  data  visualizations  by  adding  political  party  information  to  state-based  flu  vaccination  data,  testing  whether  such  political  cues  affect  vaccination  intentions.  Instead  of  differential  effects  by  pollical  affiliation,  results  show  that  providing  political  cues  on  data  visualizations  increase  perceived  health  politicization  for  both  Democrats  and  Republicans,  and  that  health  politicization  mediates  decreased  vaccine  intentions.Together,  the  studies  explore  facets  of  multimodal  vaccine  messaging,  adding  to  the  body  of  literature  for  visual  health  messaging  and  health  politicization.  Key  findings  include  that  data  visualizations  are  an  important  of  visual  health  information  that  can  effectively  change  perceived  severity  of  vaccine-preventable  disease,  particularly  when  accompanied  by  explanatory  text.  However,  messages  should  be  tailored  to  political  partisans,  using  autonomy-based  language  in  vaccine  decision-making.  Importantly,  data  visualizations  can  unintentionally  induce  feelings  of  health  politicization  when  presenting  differences  in  vaccination  behavior  by  political  party,  with  politicization  feelings  subsequently  mediating  vaccine  behaviors.  Public  health  practitioners  increasingly  present  public  health  statistics  by  important  demographics  to  help  target  interventions  and  this  dissertation  provides  evidence  that  caution  should  be  used  when  showing  data  by  political  party  affiliation,  as  such  presentations  may  reinforce  beliefs  about  partisan  vaccination  behaviors.  While  visual,  multimodal  health  messages  can  be  effective  tools  for  providing  information  to  the  public,  they  require  careful  tailoring  when  addressing  politicized  health  topics  such  as  vaccination.
■590    ▼aSchool  code:  0262.
■650  4▼aCommunication
■650  4▼aPublic  health
■650  4▼aPsychology
■653    ▼aData  visualization
■653    ▼aHealth  communication
■653    ▼aMessage  effects
■653    ▼aVaccines
■653    ▼aVisual  communication
■690    ▼a0459
■690    ▼a0573
■690    ▼a0621
■71020▼aThe  University  of  Wisconsin  -  Madison▼bMass  Communications  -  LS.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359551▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서