COVID-19 : Un argument en faveur de la collecte de données sur les populations racialisées au Canada et à l’étranger
Notice bibliographique
Résumé
Les populations racialisées présentent invariablement des résultats en matière de santé plus faible, et ce, partout dans le monde. Cette tendance est devenue encore plus évidente dans le sillage de la pandémie de la maladie à coronavirus 2019 (COVID-19). Dans les pays où des données désagrégées selon la race sont régulièrement recueillies, comme les États-Unis et le Royaume-Uni, des rapports préliminaires ont révélé que les populations racialisées courent un risque accru d’infection et de mortalité liées à la COVID-19. Des schémas semblables se dessinent au Canada, mais, en l’absence de données individuelles, ils reposent sur des mesures indirectes comme la diversité des quartiers pour tenir compte de la race. Il s’ensuit que la collecte de données désagrégées selon la race au Canada est un élément crucial pour identifier les personnes susceptibles d’obtenir de faibles résultats liés à la COVID-19 et élaborer des interventions ciblées en santé publique afin d’atténuer les risques parmi les populations racialisées du Canada. Compte tenu de cet écart persistant, il est de la plus haute importance de préconiser un accès rapide à ces données en raison des défis que la pandémie de COVID-19 a mis en lumière parmi les populations racialisées au Canada et dans le monde.
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 | 0,108 | 0,195 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,011 | 0,024 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,007 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».