MétaCan
Menu
Retour à la cohorte
Enregistrement W3201847889 · doi:10.1186/s12939-021-01552-w

COVID-19 and the ageing workforce: global perspectives on needs and solutions across 15 countries

2021· letter· en· W3201847889 sur OpenAlexaboutno aff
Sabrina Pit, Malcolm Fisk, Winona Freihaut, Fashola Akintunde, Bamidele Aloko, Britta Berge, Anne Burmeister, Adriana Ciacâru, Jürgen Deller, Rae Dulmage, Tae Hwa Han, Qiang Hao, Peter Honeyman, Peter C. Huber, Thomas Linner, Stefan Lundberg, Mofoluwaso Nwamara, Kamolpun Punpuing, Jennifer Schramm, Hajime Yamada, Jason Yap

Notice bibliographique

RevueInternational Journal for Equity in Health · 2021
Typeletter
Langueen
DomaineSocial Sciences
ThématiqueRetirement, Disability, and Employment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWorkforceContext (archaeology)Economic growthChinaWork (physics)Political scienceDevelopment economicsGeographyEconomics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: COVID-19 has a direct impact on the employment of older people. This adds to the challenge of ageism. The World Health Organization has started a worldwide campaign to combat ageism and has called for more research and evidence-based strategies that have the potential to be scaled up. This study specifically aims to identify solutions to combat the adverse effects of COVID-19 on the global ageing workforce. METHODS: We present 15 case studies from different countries and report on what those countries are doing or not doing to address the impact of COVID-19 on ageing workers. RESULTS: We provide examples of how COVID-19 influences older people's ability to work and stay healthy, and offer case studies of what governments, organizations or individuals can do to help ensure older people can obtain, maintain and, potentially, expand their current work. Case studies come from Australia, Austria, Canada, China, Germany, Israel, Japan, Nigeria, Romania, Singapore, Sweden, South Korea, Thailand, United Kingdom (UK), and the United States (US). Across the countries, the impact of COVID-19 on older workers is shown as widening inequalities. A particular challenge has arisen because of a large proportion of older people, often with limited education and working in the informal sector within rural areas, e.g. in Nigeria, Thailand and China. Remedies to the particular disadvantage experienced by older workers in the context of COVID are presented. These range from funding support to encouraging business continuity, innovative product and service developments, community action, new business models and localized, national and international actions. The case studies can be seen as frequently fitting within strategies that have been proven to work in reducing ageism within the workplace. They include policy and laws that have increased benefits to workers during lockdowns (most countries); educational activities such as coaching seniorpreneurship (e,g, Australia); intergenerational contact interventions such as younger Thai people who moved back to rural areas and sharing their digital knowledge with older people and where older people reciprocate by teaching the younger people farming knowledge. CONCLUSION: Global sharing of this knowledge among international, national and local governments and organizations, businesses, policy makers and health and human resources experts will further understanding of the issues that are faced by older workers. This will facilitate the replication or scalability of solutions as called for in the WHO call to combat ageism in 2021. We suggest that policy makers, business owners, researchers and international organisations build on the case studies by investing in evidence-based strategies to create inclusive workplaces. Such action will thus help to challenge ageism, reduce inequity, improve business continuity and add to the quality of life of older workers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,378
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,367
Tête enseignante GPT0,569
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations43
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Equity in HealthMême sujetRetirement, Disability, and EmploymentTravaux en français237 207