Unveiling the Impact: A Scoping Review of the COVID-19 Pandemic’s Effects on Racialized Populations in Canada
Notice bibliographique
Résumé
OBJECTIVES: The objective of this study was to examine the impact of the COVID-19 pandemic on racialized communities and individuals in Canada. METHODS: This review followed the Joanna Briggs Institute (JBI) methodology and the PRISMA-ScR guidance on reporting scoping reviews. Ovid MEDLINE ALL, Embase Classic + Embase, CINAHL (Ebsco platform), PsycINFO, and Cochrane were searched for documents that were published after March 2020 and that reported on the social and economic impacts and health outcomes of the COVID-19 pandemic on generally healthy racialized populations that reside in Canada. SYNTHESIS: A total of 39 documents were included in this review. Our results show racialized communities faced greater social, economic, and health impacts from the pandemic. These impacts were manifested in the form of high COVID-19 morbidity and mortality rates, increased discrimination, worsening mental health, difficulty in accessing healthcare, and challenges related to accessing food and basic necessities. CONCLUSION: Canadian racialized groups have been inequitably affected by the COVID-19 pandemic due to pre-existing inequalities and emerging discrimination. Responsive policy action and robust pandemic preparedness efforts are indispensable in adopting a proactive stance to prevent racialized populations from bearing a disproportionate burden of negative health crises in the future. This necessitates addressing pre-existing disparities and targeting social and economic vulnerability areas. By doing so, we can mitigate the reported social, economic, and health impacts experienced by racialized groups, including challenges related to accessing basic necessities, deteriorating mental health, and barriers to healthcare access.
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 | 0,012 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».