Experience of the COVID-19 Pandemic in Rural Nigeria: A Scoping Review of the Literature Contextualized With Local Knowledge Using Fuzzy Cognitive Mapping
Notice bibliographique
Résumé
AimCollate and summarise published evidence of the non-clinical effects of the COVID-19 pandemic in rural Nigeria and compare the findings with community stakeholder experiences.MethodsWe searched PubMed, Scopus, and Cumulative Index to Nursing and Allied Health Literature (CINAHL) for peer-reviewed papers published up to January 2024. Included studies used quantitative, qualitative, or mixed methods to examine the influence of the COVID-19 pandemic on the lives of rural Nigerians. Two reviewers conducted title, abstract, and full-text screening independently. We used narrative descriptions and fuzzy cognitive maps to summarise the findings of the review and compared the maps with those previously created by stakeholders in rural communities in Bauchi State, rural Nigeria.ResultsPoverty, hunger and lack of food, and stress and mental health problems were leading themes in both the literature and stakeholder maps. Stakeholder maps highlighted job loss and household conflicts. These topics were rarely explored in the literature, which emphasized reduced health services.ConclusionThis review and stakeholder perspectives confirm the importance of non-clinical impacts of the COVID-19 pandemic in rural Nigeria. Some issues highlighted by local community stakeholders were absent in the literature. Contextualizing published research with local experience provides specific insights to inform recovery policies.
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 | 0,019 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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 ».