MétaCan
Menu
Retour à la cohorte
Enregistrement W2165799442 · doi:10.2190/pjby-et6g-bmqk-4exv

The Number of Americans without Health Insurance Rose in 2001 and Continued to Rise in 2002

2003· article· en· W2165799442 sur OpenAlexaboutno aff
Leighton Ku

Notice bibliographique

RevueInternational Journal of Health Services · 2003
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicaidQuarter (Canadian coin)UnemploymentHealth insuranceBusinessDemographic economicsCensusMicrodata (statistics)Economic shortageEconomic growthHealth carePopulationEconomicsEnvironmental healthGovernment (linguistics)MedicineGeography

Résumé

récupéré en direct d'OpenAlex

Data from the Census Bureau and the Centers for Disease Control and Prevention indicate that the number of uninsured Americans rose in 2001and in the first quarter of 2002. The main reason insurance coverage fell was a drop-off in employer-sponsored insurance for workers and their dependents. This reduction was triggered by rising unemployment levels and rising health insurance premiums, which made it more difficult for employers to offer insurance or for workers to afford it. The downturn in private coverage was partially offset by increased enrollment in Medicaid and the State Children's Health Insurance Program (SCHIP). About two million mor e children and one million more adults would have been uninsured had it not been for the growth in these programs. Funding for the public programs is, however, threatened by budget shortfalls affecting most states, which administer these programs. Many states have cut their Medicaid programs and are planning further cutbacks. Increasing federal assistance to states and their Medicaid programs could help protect insurance coverage for low-income people during the current economic slowdown. Future SCHIP enrollment could drop sharply because of a shortage of federal funds, and Congress could take steps to bolster SCHIP funding.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,146
Score d'incertitude au seuil0,982

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,349
Écart entre enseignants0,312 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Health ServicesMême sujetHealthcare Policy and ManagementTravaux en français237 207