Inequalities in the reported impacts of COVID-19 on child health: A narrative review
Notice bibliographique
Résumé
Background: The world battled with children’s needs during the pre-COVID-19 era, and their health and educational needs were amplified during the COVID-19 pandemic. This article highlights the reported impact of the pandemic on child health, the inequalities observed, the lessons learnt, and the way forward in the post-COVID era. Method: A narrative literature review was conducted. Articles from Google Scholar and PubMed were searched from 2015 upward. The reference lists of the included articles were also searched for more relevant studies. A descriptive analysis of the included studies was conducted to highlight the reported impact of the COVID-19 pandemic on child health. Results: During the pandemic, every child was not affected equally. Inequalities in child physical, mental and social health were observed more in low and middle-income countries (LMICs). Similarly, child nutrition was adversely affected as school feeding programs were disrupted. Although the education of children was adversely affected globally, the impact was more in LMICs, where digital learning was not well-developed. This was also worse in insurgent countries with many out-of-school children. Conclusion: Efforts should be geared towards meeting children's physical, mental and social needs during pandemics, with a strong focus on children from developing countries. Similarly, the education of children should not be neglected. As efforts are directed towards meeting the needs of adults post-COVID, inequalities observed in child health during the pandemic should be addressed such that no child is left behind.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».