Building solidarity during COVID‐19 and HIV/AIDS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
While the WHO, public health experts, and political leaders have referenced solidarity as an important part of our responses to COVID-19, I consider how we build solidarity during pandemics in order to improve the effectiveness of our responses. I use Prainsack and Buyx's definition of solidarity, which highlights three different tiers: (1) interpersonal solidarity, (2) group solidarity, and (3) institutional solidarity. Each tier of solidarity importantly depends on the actions and norms established at the lower tiers. Although empathy and solidarity are distinct moral concepts, I argue that the affective component of solidarity is important for motivating solidaristic action, and empathetic accounts of solidarity help us understand how we actually build solidarity from tier to tier. During pandemics, public health responses draw on different tiers of solidarity depending on the nature, scope, and timeline of the pandemic. Therefore, I analyze both COVID-19 and HIV/AIDS using this framework to learn lessons about how solidarity can more effectively contribute to our ongoing public health responses during pandemics. Whereas we used institutional solidarity during COVID-19 in a top-down approach to building solidarity that often overlooked interpersonal and group solidarity, we used those lower tiers during HIV/AIDS in a bottom-up approach because governments and public health institutions were initially unresponsive to the crisis. Thus, we need to ensure that we have a strong foundation of respect, trust, and so forth, on which to build solidarity from tier to tier and promote whichever tiers of solidarity are lacking during a given pandemic to improve our responses.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 découle