Learning from community narratives about the COVID-19 pandemic in Papua New Guinea
Notice bibliographique
Résumé
In this paper we use constructivism to explore community members' accounts of how socio-cultural and behavioral factors provided meaning to the COVID-19 pandemic in Papua New Guinea, adherence to "niupela pasin" (new normal), and vaccination acceptance. We purposively selected 50 participants including community members, leaders, and church representatives for semi-structured interviews from urban and rural areas of Madang and Eastern Highlands Provinces. Data were analyzed using inductive thematic analysis. The findings showed how people applied risk prevention strategies and actively sought localized solutions to deal with the pandemic. The pandemic also disrupted socio-cultural norms, such as communal gatherings, care for the sick, and attending funerals, leading to distress and interruptions of interpersonal relationships and extended family structures. Economic hardship, particularly during lockdowns, disproportionately affected those people from lower socioeconomic levels. Strong Christian faith and prayer played a key role in either adhering to "niupela pasin" and COVID-19 vaccine acceptance or rejection of the vaccine. Conspiracy theories and misinformation often propagated through social media, fueled fears and doubts about vaccine efficacy. By articulating and understanding these culturally informed findings, the paper demonstrates how people undertook ordinary theorizing about their worlds to contextualize, modify, or significantly change the policies and strategies developed by experts using conventional science. Preparation for future pandemics can be enhanced by adding to public health policies and guidelines community perspectives and health promotion principles from the Ottawa Charter for Health Promotion.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».