Orange County, California COVID-19 Vaccine Equity Best Practices Checklist: A Community-Centered Call to Action for Equitable Vaccination Practices
Notice bibliographique
Résumé
Introduction: The coronavirus disease 2019 (COVID-19) pandemic has exacerbated longstanding inequities throughout the United States, disproportionately concentrating adverse social, economic, and health-related outcomes among low-income communities and communities of color. Inequitable distribution, prioritization, and uptake of COVID-19 vaccines due to systemic and organizational barriers add to these disproportionate impacts across the United States. Similar patterns have been observed within Orange County, California (OC). Methods: In response to COVID-19 vaccine inequities unfolding locally, the Orange County Health Equity COVID-19 community–academic partnership generated a tool to guide a more equitable vaccine approach. Contents of the OC vaccine equity best practices checklist emerged through synthesis of community-level knowledge about vaccine inequities, literature regarding equitable vaccination considerations, and practice-based health equity guides. We combined into a memo: the checklist, a written explanation of its goals and origins, and three specific action steps meant to further strengthen the focus on vaccine equity. The memo was endorsed by partnership members and distributed to county officials. Discussion: Since the initial composition of the checklist, the local vaccine distribution approach has shifted, suggesting that equitable pandemic responses require continual re-evaluation of local needs and adjustments to recommendations as new information emerges. To understand and address structural changes needed to reduce racial and socioeconomic inequities exacerbated by the pandemic, authentic partnerships between community, academic, and public health practice partners are necessary. Conclusion: As we face continued COVID-19 vaccine rollout, booster vaccination, and future pandemic challenges, community knowledge and public health literature should be integrated to inform similar equity-driven strategic actions.
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 | 0,047 | 0,095 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».