Navigating inequities: a roadmap out of the pandemic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The COVID-19 pandemic has exposed social inequities that rival biological inequities in disease exposure and severity. Merely identifying some inequities without understanding all of them can lead to harmful misrepresentations and deepening disparities. Applying an 'equity lens' to bring inequities into focus without a vision to extinguish them is short-sighted. Interventions to address inequities should be as diverse as the pluralistic populations experiencing them. We present the first validated equity framework applied to COVID-19 that sheds light on the full spectrum of health inequities, navigates their sources and intersections, and directs ethically just interventions. The Equity Matrix also provides a comprehensive map to guide surveillance and research in order to unveil epidemiological uncertainties of novel diseases like COVID-19, recognising that inequities may exist where evidence is currently insufficient. Successfully applied to vaccines in recent years, this tool has resulted in the development of clear, timely and transparent guidance with positive stakeholder feedback on its comprehensiveness, relevance and appropriateness. Informed by evidence and experience from other vaccine-preventable diseases, this Equity Matrix could be valuable to countries across the social gradient to slow the spread of SARS-CoV-2 by abating the spread of inequities. In the race to SARS-CoV-2 vaccines, this urgently needed roadmap can effectively and efficiently steer global leadership towards equitable allocation with diverse strategies for diverse inequities. Such a roadmap has been absent from discussions on managing the COVID-19 pandemic, and is critical for our passage out of it.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle