Pandemic preparedness and response in service hub cities: lessons from Northwestern Ontario
Notice bibliographique
Résumé
Purpose Responding to the needs of homeless and marginally housed persons has been a major component of the Canadian federal and provincial responses to the COVID-19 pandemic. However, smaller, less-resourced cities and rural regions have been left competing for limited resources (Schiff et al., 2020). The purpose of this paper is to use a case study to examine and highlight information about the capacities and needs of service hub cities during pandemics. Design/methodology/approach The authors draw on the experience of Thunder Bay – a small city in Northern Ontario, Canada which experienced a serious outbreak of COVID-19 amongst homeless persons and shelter staff in the community. The authors catalogued the series of events leading to this outbreak through information tracked by two of the authors who hold key funding and planning positions within the Thunder Bay homeless sector. Findings Several lessons may be useful for other cities nationally and internationally of similar size, geography and socio-economic position. The authors suggest a need for increased supports to the homeless sector in small service–hub cities (and particularly those with large Indigenous populations) to aid in the creation of pandemic plans and more broadly to ending chronic homelessness in those regions. Originality/value Small hub cities such as Thunder Bay serve vast rural areas and may have high rates of homelessness. This case study points to some important factors for consideration related to pandemic planning in these contexts.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».