Notice bibliographique
Résumé
On October 28, 2020, Canada’s Chief Medical Officer of Health, Dr Theresa Tam, stated that the pandemic was exposing existing inequalities in Canada. In a television address, she said that: ‘The impacts of COVID- 19 in this country have been worsened by systems that stigmatize populations through racism, ageism, sexism, and others, who have been marginalized through structural or social factors such as homelessness … Differences [in infection rates] are not random, but all along the lines of populations that have historically experienced health and social inequities … The impacts have been worse for some groups such as seniors, workers who provide essential services, such as those in health care or agriculture, racialized populations, people living with disabilities, and women. The virus didn’t create new inequities in our society; it exposed them and underscored the impact of our social policies on our health status’. While this may have been a revelation for some people, for the contributors to this volume, and the others in this series, such a direct and unequivocal statement was not surprising. Such insights are also nothing new to those with lived experiences of these inequalities and injustices. Throughout the four volumes, one of our aims has been to include chapters that amplify these voices by meaningfully, respectfully, and ethically engaging with marginalized communities in order to center their experiences within planning, policy, and political debates about the impact of the pandemic and, importantly, how to respond to it. The findings, analysis, and reflection found throughout this series of books must be a reminder to planners and policy makers that the divisions, inequities, and injustices rendered visible during the COVID- 19 pandemic long predate the virus.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».