Reparations for Black American Descendants of Persons Enslaved in the U.S. and Their Estimated Impact on SARS-CoV-2 Transmission
Notice bibliographique
Résumé
Abstract Background In the United States, Black Americans are suffering from significantly disproportionate incidence and mortality rates of COVID-19. The potential for racial-justice interventions, including reparations payments, to ameliorate these disparities has not been adequately explored. Methods We compared the COVID-19 time-varying R t curves of relatively disparate polities in terms of social equity (South Korea vs. Louisiana). Next, we considered a range of reproductive ratios to back-calculate the transmission rates β i → j for 4 cells of the simplified next-generation matrix (from which R 0 is calculated for structured models) for the outbreak in Louisiana. Lastly, we modeled the effect that monetary payments as reparations for Black American descendants of persons enslaved in the U.S. would have had on pre-intervention β i → j . Results Once their respective epidemics begin to propagate, Louisiana displays R t values with an absolute difference of 1.3 to 2.5 compared to South Korea. It also takes Louisiana more than twice as long to bring R t below 1. We estimate that increased equity in transmission consistent with the benefits of a successful reparations program (reflected in the ratio β b→b / β w→w ) could reduce R 0 by 31 to 68%. Discussion While there are compelling moral and historical arguments for racial injustice interventions such as reparations, our study describes potential health benefits in the form of reduced SARS-CoV-2 transmission risk. As we demonstrate, a restitutive program targeted towards Black individuals would not only decrease COVID-19 risk for recipients of the wealth redistribution; the mitigating effects would be distributed across racial groups, benefitting the population at large. Funding ETR and LW are supported by NIGMS MIDAS grant R01 GM130900. ETR is also supported by NIAID K08 AI139361. WAD is supported by NIMHD R01 MD011606, NSF SES 1851845, and IES R305A190484. MMM is supported by the Ethics and Governance of Artificial Intelligence Fund.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».