COVID-19 in New Mexico Tribal Lands: Understanding the Role of Social Vulnerabilities and Historical Racisms
Notice bibliographique
Résumé
The Coronavirus 2019 (COVID-19) pandemic has disproportionally affected Indigenous Peoples. Unfortunately, there is no accurate understanding of COVID-19's impacts on Indigenous Peoples and communities due to systematic erasure of Indigenous representation in data. Early evidence suggests that COVID-19 has been able to spread through pre-pandemic mechanisms ranging from disproportionate chronic health conditions, inadequate access to healthcare, and poor living conditions stemming from structural inequalities. Using innovative data, we comprehensively investigate the impacts of COVID-19 on Indigenous Peoples in New Mexico at the zip code level. Specifically, we expand the U.S. Centers for Disease Control and Prevention's Social Vulnerability Index (SVI) to include the measures of structural vulnerabilities from historical racisms against Indigenous Peoples. We found that historically-embedded structural vulnerabilities (e.g., Tribal land status and higher percentages of house units without telephone and complete plumbing) are critical in understanding the disproportionate burden of COVID-19 that American Indian and Alaska Native populations are experiencing. We found that historically-embedded vulnerability variables that emerged epistemologically from Indigenous knowledge had the largest explanatory power compared to other social vulnerability factors from SVI and COVID-19, especially Tribal land status. The findings demonstrate the critical need in public health to center Indigenous knowledge and methodologies in mitigating the deleterious impacts of COVID-19 on Indigenous Peoples and communities, specifically designing place-based mitigating strategies.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 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 ».