A framework for identifying and mitigating the equity harms of COVID-19 policy interventions
Notice bibliographique
Résumé
BACKGROUND: Coronavirus disease 2019 (COVID-19) is a global pandemic. Governments have implemented combinations of "lockdown" measures of various stringencies, including school and workplace closures, cancellations of public events, and restrictions on internal and external movements. These policy interventions are an attempt to shield high-risk individuals and to prevent overwhelming countries' healthcare systems, or, colloquially, "flatten the curve." However, these policy interventions may come with physical and psychological health harms, group and social harms, and opportunity costs. These policies may particularly affect vulnerable populations and not only exacerbate pre-existing inequities but also generate new ones. METHODS: We developed a conceptual framework to identify and categorize adverse effects of COVID-19 lockdown measures. We based our framework on Lorenc and Oliver's framework for the adverse effects of public health interventions and the PROGRESS-Plus equity framework. To test its application, we purposively sampled COVID-19 policy examples from around the world and evaluated them for the potential physical, psychological, and social harms, as well as opportunity costs, in each of the PROGRESS-Plus equity domains: Place of residence, Race/ethnicity, Occupation, Gender/sex, Religion, Education, Socioeconomic status, Social capital, Plus (age, and disability). RESULTS: We found examples of inequitably distributed adverse effects for each COVID-19 lockdown policy example, stratified by a low- or middle-income country and high-income country, in every PROGRESS-Plus equity domain. We identified the known policy interventions intended to mitigate some of these adverse effects. The same harms (anxiety, depression, food insecurity, loneliness, stigma, violence) appear to be repeated across many groups and are exacerbated by several COVID-19 policy interventions. CONCLUSION: Our conceptual framework highlights the fact that COVID-19 policy interventions can generate or exacerbate interactive and multiplicative equity harms. Applying this framework can help in three ways: (1) identifying the areas where a policy intervention may generate inequitable adverse effects; (2) mitigating the policy and practice interventions by facilitating the systematic examination of relevant evidence; and (3) planning for lifting COVID-19 lockdowns and policy interventions around the world.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Méthodes Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | medium |
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 | 0,022 | 0,193 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».