Estimating the number of Korean workers at high risk of COVID-19 infection
Notice bibliographique
Résumé
OBJECTIVES: We aimed to identify occupational groups at high-risk of coronavirus disease 2019 (COVID-19) infection in Korea, to estimate the number of such workers, and to examine the prevalence of protective resources by employment status. METHODS: Based on the sixth Standard Occupational Classification codes, 2015 census data were linked with data from the fifth Korean Working Conditions Survey, which measured how frequently workers directly come into contact with people other than fellow employees in the workplace. RESULTS: A total of 30 occupational groups, including 7 occupations from the healthcare and welfare sectors and 23 from other sectors, were classified as high-risk occupational groups involving frequent contact with people other than fellow employees in the workplace (more than half of the working hours). Approximately 1.4 million (women, 79.1%) and 10.7 million workers (46.3%) are employed in high-risk occupations. Occupations with a larger proportion of women are more likely to be at a high-risk of infection and are paid less. For wage-earners in high-risk occupations, protective resources to deal with COVID-19 (e.g., trade unions and health and safety committees) are less prevalent among temporary or daily workers than among those with permanent employment. CONCLUSIONS: Given the large number of Koreans employed in high-risk occupations and inequalities within the working population, the workplace needs to be the key locus for governmental actions to control COVID-19, and special consideration for vulnerable workers is warranted.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».