Characterising COVID-19 empirical research production in Latin America and the Caribbean: A scoping review
Notice bibliographique
Résumé
INTRODUCTION: The Coronavirus Disease 2019 (COVID19) pandemic has struck Latin America and the Caribbean (LAC) particularly hard. One of the crucial areas in the international community's response relates to accelerating research and knowledge sharing. The aim of this article is to map and characterise the existing empirical research related to COVID-19 in LAC countries and contribute to identify opportunities for strengthening future research. METHODS: In this scoping review, articles published between December 2019 and 11 November 2020 were selected if they included an empirical component (explicit scientific methods to collect and analyse primary data), LAC population was researched, and the research was about the COVID-19 pandemic, regardless of publication status or language. MEDLINE, EMBASE, LILACS, Scielo, CENTRAL and Epistemonikos were searched. All titles and abstracts, and full texts were screened by two independent reviewers. Data from included studies was extracted by one reviewer and checked by a second independent reviewer. RESULTS: 14,406 records were found. After removing duplicates, 5,458 titles and abstracts were screened, of which 2,323 full texts were revised to finally include 1,626 empirical studies. The largest portion of research came from people/population of Brazil (54.6%), Mexico (19.1%), Colombia (11.2%), Argentina (10.4%), Peru (10.3%) and Chile (10%), while Caribbean countries concentrated 15.3%. The methodologies most used were cross-sectional studies (34.7%), simulation models (17.5%) and randomized controlled trials (RCTs) (13.6%). Using a modified version of WHO's COVID-19 Coordinated Global Research Roadmap classification, 54.2% were epidemiological studies, followed by clinical management (22.3%) and candidate therapeutics (12.2%). Government and public funds support were reported in 19.2% of studies, followed by universities or research centres (9%), but 47.5% did not include any funding statement. CONCLUSION: During the first part of the COVID-19 pandemic, LAC countries have contributed to the global research effort primarily with epidemiological studies, with little participation on vaccines research, meaning that this type of knowledge would be imported from elsewhere. Research agendas could be further coordinated aiming to enhance shared self-sufficiency regarding knowledge needs in the region.
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 | 0,053 | 0,197 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,049 | 0,049 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,012 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| 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 ».