COVID-19 : Un argument en faveur de la collecte de données sur les populations racialisées au Canada et à l’étranger
Bibliographic record
Abstract
Les populations racialisées présentent invariablement des résultats en matière de santé plus faible, et ce, partout dans le monde. Cette tendance est devenue encore plus évidente dans le sillage de la pandémie de la maladie à coronavirus 2019 (COVID-19). Dans les pays où des données désagrégées selon la race sont régulièrement recueillies, comme les États-Unis et le Royaume-Uni, des rapports préliminaires ont révélé que les populations racialisées courent un risque accru d’infection et de mortalité liées à la COVID-19. Des schémas semblables se dessinent au Canada, mais, en l’absence de données individuelles, ils reposent sur des mesures indirectes comme la diversité des quartiers pour tenir compte de la race. Il s’ensuit que la collecte de données désagrégées selon la race au Canada est un élément crucial pour identifier les personnes susceptibles d’obtenir de faibles résultats liés à la COVID-19 et élaborer des interventions ciblées en santé publique afin d’atténuer les risques parmi les populations racialisées du Canada. Compte tenu de cet écart persistant, il est de la plus haute importance de préconiser un accès rapide à ces données en raison des défis que la pandémie de COVID-19 a mis en lumière parmi les populations racialisées au Canada et dans le monde.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.108 | 0.195 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.011 | 0.024 |
| Scholarly communication | 0.012 | 0.011 |
| Open science | 0.006 | 0.008 |
| Research integrity | 0.007 | 0.014 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".