Animal health emergencies: a gender-based analysis for planning and policy
Notice bibliographique
Résumé
There has been increasing recognition of gender-based inequity as a barrier to successful policy implementation. This consensus, coupled with an increasing frequency of emergencies in human and animal populations, including infectious disease events, has prompted policy makers to re-evaluate gender-sensitivity in emergency management planning. Seeking to identify key publications relating to gendered impacts and considerations across diverse stakeholders in different types of animal health emergencies, we conducted a non-exhaustive, targeted scoping review. We developed a matrix for both academic and policy literature that separated animal health emergencies into two major categories: humanitarian crises and infectious disease events. We then conducted semi-structured interviews with key animal health experts. We found minimal evidence of explicit gender responsive planning in animal health emergencies, whether humanitarian or infectious disease events. This was particularly salient in Global North literature and policy planning documents. Although there are some references to gender in policy documents pertaining to endemic outbreaks of African swine fever (ASF) in Uganda, most research remains gender blind. Despite this, implicit gendered themes emerged from the literature review and interviews as being direct or indirect considerations of some research, policy, and implementation efforts: representation; gendered exposure risks; economic impact; and unpaid care. Absent from both the literature and our conversations with experts were considerations of mental health, gender-based violence, and intersectional impacts. To remedy the gaps in gender-based considerations, we argue that the intentional inclusion of a gender transformative lens in animal health emergency planning is essential. This can be done in the following ways: (1) collection of disaggregated data (race, gender, sexual orientation, etc.); (2) inclusion of gender experts; and (3) inclusion of primary gendered impacts (minimal representation of women in policy positions, gender roles, economic and nutrition impacts) and secondary gendered impacts (gender-based violence, mental health, additional unpaid care responsibilities) in future planning.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 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 ».