How previous epidemics enable timelier COVID-19 responses: an empirical study using organisational memory theory
Notice bibliographique
Résumé
INTRODUCTION: There has been little systematic exploration into what affects timeliness of epidemic response, despite the potential for earlier responses to be more effective. Speculations have circulated that previous exposure to major epidemics helped health systems respond more quickly to COVID-19. This study leverages organisational memory theory to test whether health systems with any, more severe, or more recent exposure to major epidemics enacted timelier COVID-19 policy responses. METHODS: A data set was constructed cataloguing 846 policies across 178 health systems in total, 37 of which had major epidemics within the last 20 years. Hypothesis testing used OLS regressions with World Health Organization region fixed effects, controlling for several health system expenditure and political variables. RESULTS: Results show that exposure to any major epidemics was associated with providing earlier response in the following policy categories: all policies, surveillance/response, distancing, and international travel policies. The effect was about 6-10 days earlier response. The significance of this variable was largely nullified with the addition of the other two independent variables. Neither total cases nor years since previous epidemics showed no statistical significance. CONCLUSION: This study suggests that health systems may learn from past major epidemics. Policymakers ought to institutionalise lessons from COVID-19. Future studies can examine specific generalisable lessons and whether timelier responses correlated with lower health and economic impacts.
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 | 0,012 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».