MétaCan
Menu
Retour à la cohorte
Enregistrement W3090116485 · doi:10.3386/w27881

The Distribution of COVID-19 Related Risks

2020· report· en· W3090116485 sur OpenAlexaffabout
Patrick Baylis, Pierre‐Loup Beauregard, Marie Connolly, Nicole M. Fortin, David Green, Pablo Gutiérrez Cubillos, Sam Gyetvay, Catherine Haeck, Tímea Laura Molnár, Gaëlle Simard‐Duplain, Henry Siu, Maria teNyenhuis, Casey Warman

Notice bibliographique

RevueNational Bureau of Economic Research · 2020
Typereport
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCOVID-19 Pandemic Impacts
Établissements canadiensDalhousie UniversityBank of CanadaUniversité du Québec à MontréalUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésPandemicCoronavirus disease 2019 (COVID-19)Distribution (mathematics)Demographic economicsPopulationBusinessCounterfactual thinkingMatching (statistics)EconomicsEnvironmental healthMedicinePsychologySocial psychology

Résumé

récupéré en direct d'OpenAlex

This paper documents two COVID-related risks, viral risk and employment risk, and their distributions across the Canadian population.The measurement of viral risk is based on the VSE COVID Risk/Reward Assessment Tool, created to assist policymakers in determining the impacts of economic shutdowns and re-openings over the course of the pandemic.We document that women are more concentrated in high viral risk occupations and that this is the source of their greater employment loss over the course of the pandemic so far.They were also less likely to maintain one form of contact with their former employers, reducing employment recovery rates.Low educated workers face the same virus risk rates as high educated workers but much higher employment losses.Based on a rough counterfactual exercise, this is largely accounted for by their lower likelihood of switching to working from home which, in turn, is related to living conditions such as living in crowded dwellings.For both women and the low educated, existing inequities in their occupational distributions and living situations have resulted in them bearing a disproportionate amount of the risk emerging from the pandemic.Assortative matching in couples has tended to exacerbate risk inequities.

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)0,015
score de la tête « metaresearch » (Gemma)0,036
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,978
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0150,036
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,556
Tête enseignante GPT0,529
Écart entre enseignants0,027 · 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.

Devis d'étudeThéorique ou conceptuel
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

Citations13
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetCOVID-19 Pandemic ImpactsTravaux en français237 207