Communicating Science on, to, and with Racial Minorities during Pandemics
Notice bibliographique
Résumé
The marginalisation experienced by racial/ethnic minorities during pandemics such as COVID-19 and SARS illustrates the importance of diversity and inclusion in science communication and public health. With the first cases of these pandemics reported in East Asia, epidemiologic and medical communication associating them with China led to racially motivated abuse and discrimination against individuals of Asian descent and appearance. Moreover, limited linguistically diverse and culturally sensitive health communication exacerbated infection rates, disease morbidity and mortality, and knowledge gaps already experienced by various culturally and linguistically diverse populations. This chapter explores scientific and medical communication during SARS in Canada and COVID-19 in Australia, two highly multicultural countries with significant Asian minority populations. It draws upon academic literature, media articles, and government reports to illustrate biases and gaps in scientific communication towards Asians and other minority ethnicities during these pandemics, and underscores how these have compounded the vulnerabilities they are already experiencing as a result of underlying health disparities and racist attitudes. It then advances the importance of communicating science to and with ethnic/racial minorities during pandemics to ensure effective and equitable outbreak control measures, discourage discrimination, and reduce mistrust in public health systems and interventions. Although communicating in multiple languages and accounting for diverse contexts and cultures are crucial, science communication during pandemics should go further and embrace a bidirectional approach wherein members of racial and ethnic minorities are empowered to co-create and lead communication efforts towards the communities of which they are part. Through democratising health communication and empowering underrepresented minority populations, we can start to address not just health disparities experienced by racial minorities but also issues of inclusivity, diversity, and representation in science communication.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 ».