La COVID-19 chez les personnes noires au Canada : un examen de la porté
Bibliographic record
Abstract
Introduction La pandémie de COVID-19 a exacerbé les iniquités partout dans le monde. Selon les travaux de recherche menés au Canada, les populations noires ont été démesurément exposées à la COVID-19 et ont donc risqué davantage que les autres groupes ethnoraciaux d’être infectées et hospitalisées. L’examen de la portée dont fait état cet article visait à établir la nature et l’envergure des travaux de recherche récents sur la COVID‑19 chez les personnes noires au Canada. Méthodologie Suivant un cadre méthodologique d’examen de la portée en cinq étapes, nous avons effectué une exploration systématique de sept bases de données et en avons extrait les études portant sur les effets de la pandémie de COVID-19 sur les personnes noires au Canada publiées jusqu’en mai 2023. Des 457 articles relevés, 124 doublons et 279 publications additionnelles ont été exclus à la suite de l’analyse des titres et des résumés. Des 54 articles restants, 39 ont été exclus à la suite de l’analyse de leur contenu et 2 articles ont été ajoutés à partir des références fournies dans les articles inclus. Au total, 17 articles ont donc fait l’objet de notre examen de la portée. Résultats Les taux d’infection par le virus de la COVID-19 ont été plus élevés et les taux de dépistage et de vaccination plus faibles au sein de la population canadienne noire que dans les autres groupes de population, en raison d’expériences antérieures à la COVID-19 en matière de racisme institutionnel et structurel, d’iniquités en santé et d’une méfiance à l’égard des professionnels de la santé, qui ont accentué les problèmes d’accès aux soins. La désinformation à propos de la COVID-19 a aussi exacerbé les problèmes de santé mentale au sein de la population noire du Canada. Conclusion Selon nos constatations, il serait nécessaire de corriger les iniquités sociales que vit la population canadienne noire, en particulier celles liées aux inégalités d’accès à l’emploi et aux soins de santé. La collecte de données raciales en ce qui concerne la COVID-19 pourrait contribuer à la formulation de politiques de lutte contre la discrimination raciale en matière d’accès aux soins de santé, de logement de qualité et d’emploi ainsi qu’en matière de correction des iniquités et d’amélioration de la santé et du bienêtre des personnes noires au Canada.
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 | 0.021 | 0.048 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.011 | 0.015 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".