The first 100 days: how has COVID-19 affected poor and vulnerable groups in India?
Notice bibliographique
Résumé
In India, strict public health measures to suppress COVID-19 transmission and reduce burden have been rapidly adopted. Pandemic containment and confinement measures impact societies and economies; their costs and benefits must be assessed holistically. This study provides an evolving portrait of the health, economic and social consequences of the COVID-19 pandemic on vulnerable populations in India. Our analysis focuses on 100 days early in the pandemic from 13 March to 20 June 2020. We developed a conceptual framework based on the human right to health and the UN Sustainable Development Goals (SDGs). We analysed people's experiences recorded and shared via mobile phone on the voice platforms operated by the Gram Vaani COVID-19 response network, a service for rural and low-income populations now being deployed to support India's COVID-19 response. Quantitative and visual methods were used to summarize key features of the data and explore relationships between factors. In its first 100 days, the platform logged over 1.15 million phone calls, of which 793 350 (69%) were outbound calls related largely to health promotion in the context of COVID-19. Analysis of 6636 audio recordings by network users revealed struggles to secure the basic necessities of survival, including food (48%), cash (17%), transportation (10%) and employment or livelihoods (8%). Themes were mapped to shortfalls in 10 SDGs and their associated targets. Pre-existing development deficits and weak social safety nets are driving vulnerability during the COVID-19 crisis. For an effective pandemic response and recovery, these must be addressed through inclusive policy design and institutional reforms.
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 | 0,003 | 0,019 |
| 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 | 0,000 |
| 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 ».