Developing community resilience in the face of COVID-19: case study from the Estrie region, Canada
Notice bibliographique
Résumé
The COVID-19 pandemic undeniably impacted population health and several aspects of community organization, including service delivery and social cohesion. Intersectoral collaboration and equity, two key dimensions of community resilience, proved central to an effective and equitable response to the pandemic. Yet the factors that enabled or constrained communities' capacity to enact intersectoral collaboration and equity-focused action in such times of urgency and uncertainty remain poorly understood. This descriptive qualitative study aimed to (1) describe the processes through which intersectoral collaboration and equity-focused action were deployed during the first wave of COVID-19 and (2) identify factors enabling and constraining these processes. We conducted semi-directed interviews with 35 representatives of the governmental, institutional, and public and third sectors from four municipal regional counties of the Estrie region (Québec, Canada). We coded detailed interview notes following a codebook thematic analysis approach. We identified three processes through which intersectoral collaboration and equity-focused action were deployed: (1) networking; (2) adaptation, creation and innovation; and (3) human-centred action. Examples of levers which supported the deployment of these processes included capitalizing on pre-existing networks, adapting practices and services, and investing in solidarity and mutual aid. The influencing factors we describe represent concrete targets for resilience-building action. Although focused on the COVID-19 pandemic, our findings are relevant to other types of health, social, environmental or economic crises, and may guide health promotion and community development practitioners towards more effective community resilience-building 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.
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 | 0,002 | 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 | 0,001 | 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 ».