Engagement communautaire et prise en compte de la détresse psychologique, de la peur et de la stigmatisation dans la surveillance et la gestion des épidémies de la maladie à virus Ebola dans l’approche « Une seule santé » en République démocratique du Congo
Bibliographic record
Abstract
Introduction et objectif : Une réponse efficace aux crises sanitaires telle la maladie à virus Ebola (MVE) nécessite l’engagement des communautés. Cette étude explore les enjeux psychosociaux influant sur la réponse des communautés congolaises aux épidémies de MVE, et comment la détresse et la résilience communautaire s’intègrent dans l’approche « Une seule santé » selon les perceptions des communautés. Méthodes : Cette étude de cas qualitative au nord Kivu inclut des entretiens individuels ( n = 36) avec des informateurs clés et trois groupes de discussions avec des participants ( n = 28) issus de diverses associations locales. Le cadre MATCH de l’engagement communautaire, adapté, structure l’analyse thématique. Résultats : Les participants ont tous reconnu le vécu douloureux – la peur, le rejet, la stigmatisation – des communautés et des professionnels de santé, et le rôle crucial des communautés dans la réponse aux épidémies. Ils ont souligné l’importance d’impliquer ces communautés dans l’élaboration et la mise en œuvre des stratégies pour éviter l’« Ebola business ». Les perceptions face à la maladie des différentes catégories de participants sont influencées par des croyances, les rôles sociaux et des considérations religieuses. Concernant l’approche « Une seule santé », les participants ont reconnu la nécessité d’impliquer toutes les couches sociales de la communauté. Conclusion : Un modèle innovant de gestion des épidémies et urgences de santé publique intègre les essentiels de l’engagement communautaire dont la détresse psychologique.
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 | 0.008 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".