What Made the COVID-19 Pandemic Experience Worse in Communities in Northern Nigeria: Fuzzy Cognitive Mapping of Community Perceptions
Notice bibliographique
Résumé
Aims Collate local perceptions of factors influencing experience of the COVID-19 pandemic in communities in Bauchi State, Northern Nigeria. Results Fuzzy cognitive mapping (FCM) collated participant views of what made their experience worse during the COVID-19 pandemic. FCM uses concepts linked by weighted arrows to indicate perceived causal relationships. Higher weights indicate stronger influences; positive and negative signs indicate direct and inverse causal relationships, respectively. In late 2023, local facilitators collected 81 maps in urban, rural and remote communities, 11 with administrative officials, and four with vulnerable groups (388 participants in total). We created average maps for each stakeholder group. Facilitators inductively grouped factors into categories. We calculated the cumulative net influence (CNI) (range −1 to +1) of categories and identified important causes and outcomes within the network. The maps included 152 factors in 25 categories. Hunger and lack of food (CNI = 0.63) worsened pandemic experience the most, followed by reduced businesses and jobs (CNI = 0.40), causing economic disruption and threatening livelihoods. Increased household conflicts (CNI = 0.35) and stress and mental health problems (CNI = 0.30) were also prominent negative influences and intermediate outcomes in the network. Lockdown (CNI = 0.34) was the most important underlying cause of other causal categories. Conclusions The maps depicted the interconnected impacts of the pandemic on community members. Participants confirmed the worst impacts were related to control measures exacerbating pre-existing economic challenges. These FCM findings will form part of the evidence shared with communities and policy makers to support co-design of strategies for pandemic recovery aligned with community needs and strengths.
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 | 0,030 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,000 | 0,006 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».