Racial equity in the fight against COVID-19: a qualitative study examining the importance of collecting race-based data in the Canadian context
Notice bibliographique
Résumé
BACKGROUND: A failure to ensure racial equity in response to the COVID-19 pandemic has caused Black communities in Canada to disproportionately be impacted. The aim of the current study was to determine the needs and concerns of Black communities in the Greater Toronto Area (GTA) and to highlight the importance of collecting race-based COVID-19 data early on to address these needs. METHODS: Six qualitative interviews were conducted with local community health centre leaders who serve a high population of racialized communities within the GTA. Content analysis was used to extract the main themes and concerns raised during the interviews. RESULTS: The findings from this study provide further evidence of the disproportionate impact COVID-19 has had on Black and other racialized communities. Difficulty self-isolating due to overcrowded housing, food insecurity, and less social support for seniors were concerns identified by community health leaders. Also, enhanced financial support for front-line workers, such as Personal Support Workers (PSWs), was an important concern raised. In order to lessen the impact of the pandemic on these communities, leaders noted the need for greater accessibility of testing centres in these areas and a greater investment in tailored health promotion approaches. CONCLUSIONS: Overall, our findings point to the importance of collecting race-based data to ensure an equitable response to the pandemic. The current "one size fits all" response is not effective for all individuals, especially Black communities. Not all populations have access to the same resources, nor do they live in the same conditions (Kantamneni, J Vocal Behav 119:103439, 2020). A deeper consideration of the social determinants of health are needed when implementing COVID-19 policies and responses. Also, a lack of attention to Black communities only continues to perpetuate the under-acknowledged issue of anti-Black racism prevalent in Canada.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,034 | 0,014 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».