What can be said about risks, vulnerabilities, and adaptation to climate change in Caribbean small island developing states (SIDS)? The case of Dominica. A qualitative study
Notice bibliographique
Résumé
IntroductionCaribbean Small island developing states (SIDS) are generally qualified as disproportionately vulnerable to climate change, including extreme weather events like hurricanes. While many studies already documented the impacts of climate change on health in the wealthiest countries, there is little knowledge in this field in Caribbean SIDS. Our study aims to discuss health risks and vulnerabilities in a Caribbean context to inform future adaptation measures to climate change.MethodsOur paper is based on a qualitative study that was conducted in Dominica, a Caribbean SIDS. The data come from semi-structured interviews organized between March 2020 and January 2021 with people internally displaced following an extreme climate event, either tropical storm Erika (2015) or Hurricane Maria (2017), and with some people who migrated to Guadeloupe after Hurricane Maria. Interview guides were based on conceptual frameworks on climate change, migration and health, and vulnerability to climate change. Data were analyzed deductively based on frameworks and inductively to allow new codes to emerge.ResultsOur findings suggest that current knowledge of climate change by those who have been displaced by an extreme climate event varied greatly depending on the education level, class, and socioeconomic condition of the participant. Participants experienced various negative consequences from a storm or hurricane such as increased risk of relocation, lack of access to healthcare, and food, job, and water insecurities – all circumstances know to correlate with mental health issues. Participants suggested stronger dwellings, community preparedness committees to act sooner, and climate change sensitization and awareness campaigns to foster community unity and solidarity.ConclusionThese findings contribute to the perspectives and knowledge of climate change, highlighting that existing extreme climate event committees and government officials need to address structural and social barriers that can potentially increase social inequalities and lead to maladaptation to climate change with potential consequences on public health.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».