The heterogeneity of vulnerability in public health: a heat wave action plan as a case study
Notice bibliographique
Résumé
The concept of vulnerability is frequently used in public health policies to develop tailored interventions or dedicate proportionately more resources to certain sub-populations. However, once segments of the population are identified as vulnerable, they are rarely consulted regarding whether this label is acceptable before instituting interventions. Instead, it is implicitly assumed that the targeted individuals identify themselves as vulnerable and experience an unambiguous and consistent need for public health assistance. In this paper, using public health interventions during heat waves as a case study, we question such assumptions. A qualitative study was conducted in Montreal, Canada involving two focus groups among populations specifically targeted by the heat action plan as vulnerable: one composed of individuals diagnosed with schizophrenia, and one composed of individuals who have alcohol or drug addictions. Findings revealed significant heterogeneity in the definition and experience of vulnerability as it is used in the context of a heat action plan in Montreal. We found differences between the two focus groups in several areas including sources of information they had access to within the heat action plan measures and their perspectives regarding the appropriateness of specific measures in the heat action plan. We then observed differences within each of the focus groups in several areas including their social networks relationships. The concept of vulnerability is often used in public health policies. Yet, while this concept may be convenient for shaping policies to reduce inequalities in health, the heterogeneity of populations defined as vulnerable should not be underestimated.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,008 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».