Funding the pandemic response for Indigenous Peoples: an equity-based analysis of COVID-19 using a Health Equity Impact Assessment (HEIA) Indigenous lens tool
Notice bibliographique
Résumé
This study examines the allocation of COVID-19 funding for Indigenous Peoples in Canada, Australia, New Zealand, and the United States during the pandemic's first wave. Indigenous communities, already facing health disparities, systemic discrimination, and historical forces of colonisation, found themselves further vulnerable to the virus. Analysing the funding policies of these countries, we employed a Health Equity Impact Assessment (HEIA) tool and an Indigenous Lens Tool supplement to evaluate potential impacts. Our results identify three major funding equity issues: unique health and service needs, socioeconomic disparities, and limited access to community and culturally safe health services. Despite efforts for equitable funding, a lack of meaningful consultation led to shortcomings, as seen in Canada's state of emergency declaration and legal disputes in the United States. New Zealand stood out for integrating Māori perspectives, showcasing the importance of consultation. The study calls for a reconciliation-minded path, aligning with Truth and Reconciliation principles, the UN Declaration on the Rights of Indigenous Peoples, and evolving government support. The paper concludes that co-creating equitable funding policies grounded in Indigenous knowledge requires partnership, meaningful consultation, and organisational cultural humility. Even in emergencies, these measures ensure responsiveness and respect for Indigenous self-determination.
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 | 0,026 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».