Vulnérabilités psychosociales des populations rurales du Québec en temps de pandémie
Notice bibliographique
Résumé
INTRODUCTION: Psychosocial impacts of the coronavirus (COVID-19) pandemic, including those on mental health, are now recognized. However, the experience of the COVID-19 pandemic differs from one individual, group or context to another and solutions to cope with it must be adapted and contextualized. AIM OF THE STUDY: This study aims to identify factors of psychosocial vulnerability in rural populations in Quebec (Canada). METHOD: The approach is adapted from previous work on the prevention and reduction of the psychosocial impacts of climate change in non-metropolitan areas. A descriptive qualitative design based on several data sources was used. The data come from a press review, a review of the scientific literature, semi-structured interviews with key actors in the community and municipal domains. RESULTS: Data triangulation and validation by community organization teams (public health department) identified forty-one (N = 41) factors (e.g., social cohesion, digital literacy) likely to increase or decrease the psychosocial vulnerability of rural populations in the context of a pandemic. These factors are grouped under six categories of determinants: 1) population's knowledge and attitudes towards the pandemic, 2) previous experience of difficult events, 3) community dynamism, social cohesion and solidarity, 4) citizens, municipalities and government authorities' involvement, 5) health and social services and those from their intersectoral partners, and 6) land use planning. CONCLUSION: These results are useful for local and regional public health teams in developing local portraits of psychosocial vulnerabilities to support plans to strengthen community resilience and reduce social and health inequalities accentuated by the pandemic.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 ».