Mobilizing community engagement for crisis response: lessons learned from a COVID-19 mass vaccination clinic in Cobourg, Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: Communities have an important role to play in disaster and emergency planning and response. Yet community members are not typically engaged in official planning activities, including plans for mass immunization clinics during infectious disease emergencies, such as the COVID-19 pandemic. This qualitative study explores one case of a community driven effort to implement a COVID-19 mass vaccination clinic in Cobourg, Ontario, Canada. Operational between mid-March 2021 and late February 2022, the Cobourg Community Centre (CCC) clinic involved 600 community volunteers, and at its peak completed approximately 700 vaccinations a day. The development and operation of the clinic was largely grassroots, spearheaded by local non-profits and volunteers. Drawing on insights from the various actors involved, this study seeks to understand the factors that made this collaborative effort a success. METHODS: Semi-structured interviews and focus groups were conducted between September 2022 and July 2023 with 34 individuals involved in coordinating and operating the CCC mass vaccination clinic including volunteer community members, members of local community organizations and businesses, public health unit and hospital staff and city employees. Data was analyzed utilizing an inductive thematic analysis. RESULTS: Four major themes were identified that contributed to the clinic's success and enabled the team's ability to navigate challenges including, a collaborative model, leveraging community knowledge and networks, flexibility and autonomy, and volunteers as an asset. CONCLUSION: The findings of this study indicate the importance of community engagement in strengthening emergency planning and response for future public health emergencies.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».