Tracking the reach of COVID-19 kin loss with a bereavement multiplier applied to the United States
Notice bibliographique
Résumé
The coronavirus disease 2019 (COVID-19) pandemic has led to a large increase in mortality in the United States and around the world, leaving many grieving the sudden loss of family members. We created an indicator-the COVID-19 bereavement multiplier-that estimates the average number of individuals who will experience the death of a close relative (defined as a grandparent, parent, sibling, spouse, or child) for each COVID-19 death. Using demographic microsimulation-based estimates of kinship networks in the United States, the clear age gradient in COVID-19 mortality seen across contexts, and several hypothetical infection prevalence scenarios, we estimate COVID-19 bereavement multipliers for White and Black individuals in the United States. Our analysis shows that for every COVID-19 death, approximately nine surviving Americans will lose a grandparent, parent, sibling, spouse, or child. These estimates imply, for example, that if 190,000 Americans die from COVID-19, as some models project, then ∼1.7 million will experience the death of a close relative. We demonstrate that our estimates of the bereavement multiplier are stable across epidemiological realities, including infection scenarios, total number of deaths, and the distribution of deaths, which means researchers can estimate the bereavement burden over the course of the epidemic in lockstep with rising death tolls. In addition, we provide estimates of bereavement multipliers by age group, types of kin loss, and race to illuminate prospective disparities. The bereavement multiplier is a useful indicator for tracking COVID-19's multiplicative impact as it reverberates across American families and can be tailored to other causes of death.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».