Incorporating resilience when assessing pandemic risk in the Arctic: a case study of Alaska
Notice bibliographique
Résumé
The discourse on vulnerability to COVID-19 or any other pandemic is about the susceptibility to the effects of disease outbreaks. Over time, vulnerability has been assessed through various indices calculated using a confluence of societal factors. However, categorising Arctic communities, without considering their socioeconomic, cultural and demographic uniqueness, into the high and low continuum of vulnerability using universal indicators will undoubtedly result in the underestimation of the communities' capacity to withstand and recover from pandemic exposure. By recognising vulnerability and resilience as two separate but interrelated dimensions, this study reviews the Arctic communities' ability to cope with pandemic risks. In particular, we have developed a pandemic vulnerability-resilience framework for Alaska to examine the potential community-level risks of COVID-19 or future pandemics. Based on the combined assessment of the vulnerability and resilience indices, we found that not all highly vulnerable census areas and boroughs had experienced COVID-19 epidemiological outcomes with similar severity. The more resilient a census area or borough is, the lower the cumulative death per 100 000 and case fatality ratio in that area. The insight that pandemic risks are the result of the interaction between vulnerability and resilience could help public officials and concerned parties to accurately identify the populations and communities at most risk or with the greatest need, which, in turn, helps in the efficient allocation of resources and services before, during and after a pandemic. A resilience-vulnerability-focused approach described in this paper can be applied to assess the potential effect of COVID-19 and similar future health crises in remote regions or regions with large Indigenous populations in other parts of the world.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 ».