Building Responsive Intersectoral Initiatives for Newcomers in Toronto: Learning from Service Providers’ Experiences in the Context of COVID‑19
Notice bibliographique
Résumé
Background: Newcomer populations in urban centers experienced an exacerbated effect of coronavirus disease 2019 (COVID‑19) due to their precarious living and working conditions. Addressing their needs requires holistic care provisioning, including psychosocial support, assistance to address food security, and educational and employment assistance. Intersectoral collaboration between the public and the community sector can reduce vulnerabilities experienced by these groups. Objective(s): This research explores how community and public sectors collaborated on intersectoral initiatives during the COVID‑19 pandemic to support refugees, asylum seekers, and migrants without status in Toronto, Ontario, Canada to generate lessons for a sustainable response. Methods: The research uses a participatory governance approach to study multiple qualitative cases (with a case being an intersectoral initiative). We conducted interviews (n = 25) with community and public sector frontline workers and managers, as well as municipal/regional/provincial policymakers and funders. The data were analyzed thematically with an inductive approach. Findings: The analysis covers four key themes: (1) vulnerable newcomers’ circumstances regarding accessing the social determinants of health during COVID‑19; (2) the process of designing specific interventions to target these populations’ needs and service access challenges in the context of COVID‑19; (3) the implementation phase of the initiatives, including any associated challenges and lessons learned; and finally, (4) long‑term potential sustainability of the initiatives. Conclusions: The findings demonstrate that intersectoral initiatives can be implemented to develop a responsive service for marginalized populations; however, their translation beyond pandemic settings would require institutional mechanisms to bring policy shifts to provide a bottom‑up collaborative approach.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,038 | 0,025 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,004 | 0,019 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».