Reconceptualizing successful pandemic preparedness and response: A feminist perspective
Notice bibliographique
Résumé
Pandemic preparedness and COVID-19 response indicators focus on public health outcomes (such as infections, case fatalities, and vaccination rates), health system capacity, and/or the effects of the pandemic on the economy, yet this avoids more political questions regarding how responses were mobilized. Pandemic preparedness country rankings have been called into question due to their inability to predict COVID-19 response and outcomes, and COVID-19 response indicators have ignored one of the most well documented secondary effects of the pandemic - its disproportionate effects on women. This paper analyzes pandemic preparedness and response indicators from a feminist perspective to understand how indicators might consider the secondary effects of the pandemic on women and other equity deserving groups. Following a discussion of the tensions that exist between feminist methodologies and the reliance on indicators by policymakers in preparing and responding to health emergencies, we assess the strengths and weakness of current pandemic preparedness and COVID-19 response indicators. The risk with existing pandemic preparedness and response indicators is that they give only limited attention to secondary effects of pandemics and inequities in terms of who is disproportionately affected. There is an urgent need to reconceptualize what 'successful' pandemic preparedness and response entails, moving beyond epidemiological and economic measurements. We suggest how efforts to design COVID response indicators on gender inclusion could inform pandemic preparedness and associated indicators.
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 | 0,005 | 0,003 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».