Top five ethical lessons of COVID-19 that the world must learn
Notice bibliographique
Résumé
As the world reflects upon one year since the first cases of coronavirus disease 2019 (COVID-19) and prepare for and experience surges in cases, it is important to identify the most crucial ethical issues that might lie ahead so that countries are able to plan accordingly. Some ethical issues are rather obvious to predict, such as the ethical issues surrounding the use of immunity certificates, contact tracing, and the fair allocation of vaccines globally. Yet, the most significant ethical challenge that the world must address in the next year and beyond is to ensure that we learn the ethical lessons of the first year of this pandemic. Learning from our collective experiences thus far constitutes our greatest moral obligation. Appreciating that decision-making in the context of a pandemic is constrained by unprecedented complexity and uncertainty, beginning in June 2020, an international group of 17 experts in bioethics spanning 15 countries (including low-, middle-, and high-income countries) met virtually to identify what we considered to be the most significant ethical challenges and accompanying lessons faced thus far in the COVID-19 pandemic. Once collected, the group met over the course of several virtual meetings to identify challenges and lessons that are analytically distinct in order to identify common ethical themes under which different challenges and lessons could be grouped. The result, described in this paper, is what this expert group consider to be the top five ethical lessons from the initial experience with COVID-19 that must be learned.
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 | 0,012 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,001 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».