Where to after COVID-19? Systems thinking for a human-centred approach to pandemics
Notice bibliographique
Résumé
The COVID-19 pandemic was the biggest public health crisis that the world experienced on a global scale in recent history. It exposed systemic weaknesses and fragilities in health, economic, political, environmental and social systems (Haley, Paucar-Caceres, and Schlindwein, 2021 ). Since the early days of the crisis, governments around the world sought evidence-based management strategies, turning to science to inform decisions (Yu et al., 2021 ). Interventions took the form of ‘technical fixes’ (quarantines, social distancing, border closures, contact-tracing apps, etc.) and contributed to economic recession (Taylan, Alkabaa, and Yılmaz, 2022 ), the further straining of already fragile health systems (Arsenault et al., 2022 ) and the entrenchment of existing social inequalities (Sidik, 2022 ). Some countries acted swiftly and had some temporary success at early containment, thus minimising social disruption. Most countries, however, scrambled to implement measures that did not control adequately and proportionally the dynamics of the pandemic and failed to address holistically the social, ecological, and systemic aspects of the problem (Mormina, 2022 ), thus resulting in concurrent pandemic-related problems that fed off each other. The response to the COVID-19 crisis centred on the human-virus nexus without sufficiently considering the web of bio-psycho-social and ecological interrelations in which both humans and viruses are imbricated.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,005 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».