Vulnérabilité et riposte à la COVID-19 en Afrique de l’Ouest
Bibliographic record
Abstract
Les mesures de riposte adoptées dans le cadre de la maîtrise de l’épidémie de la COVID-19 peuvent avoir eu un impact dévastateur sur les populations les plus fragiles. L’objectif de cet article a été d’analyser la vulnérabilité de certains groupes de la population face à la riposte à la COVID-19 en Afrique de l’Ouest. Parmi les mesures préventives mises en œuvre dans les pays ouest africains, on a recensé le confinement strict dans certains de leurs mégalopoles, le bouclage de villes ou régions avec une liberté de circulation des personnes et des biens, la fermeture des lieux publics dont les établissements scolaires et les campagnes de vaccination contre la COVID-19. Ces différentes mesures de riposte ont davantage participé à l’accroissement des inégalités et une dégradation de la résilience socio-économique chez les groupes les plus vulnérables, les plus faibles de la société. L’absence de filets de protection sociale a contribué à l’aggravation de la précarité des travailleurs du secteur informel. La question du genre et les inégalités d’accès à l’éducation ont connu une exacerbation. Il est nécessaire pour les futures stratégies de riposte aux épidémies de même envergure, de prévoir des mesures tenant compte de réalité concrète de la vulnérabilité et contribuant à assurer une stabilité sociale et économique à toutes les couches de la société.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".