Rural vulnerability and institutional dynamics in the context of COVID-19: A scoping review
Notice bibliographique
Résumé
This study reviewed the impact of the coronavirus disease 2019 (COVID-19) on pre-existing vulnerabilities in rural communities using the scoping review strategy. It focused on manuscripts published on the topic in 2020. Based on 39 studies that met our inclusion criteria (out of 507 studies), we note that COVID-19 is exacerbating pre-existing rural vulnerabilities, including poverty, remoteness, socio-economic marginalisation and high unemployment. There is limited evidence that rural communities are resilient to the pandemic. Reduction in household expenditures and the community food system are the only reported forms of resilience. Although local institutions are supporting rural communities in responding to the impacts of the pandemic, several institutional dynamics undermine the effectiveness of the response. The increased risk of the pandemic is likely to reduce incomes and standards of living amongst poor communities. Thus, coping strategies were identified such as starting small gardens in communities, diet changes, targeting community markets with produce rather than retailers and food swap using social media, with food swap being the most adopted coping strategy. Although this study does not offer a comprehensive picture of the levels and nature of vulnerability, resilience and institutional dynamics of rural communities in different parts of the world reveal the limitations of existing knowledge of the vulnerability of rural communities in the context of COVID-19. This underscores the importance of further studies on rural vulnerability in the context of COVID-19 that will enable evidence-based responses to the pandemic in rural contexts.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».