“We didn't get much schooling because we were fishing all the time”: Potential impacts of irregular school attendance on the spread of epidemics
Notice bibliographique
Résumé
OBJECTIVES: Especially in traditional, rural, and low-income areas, children attend school irregularly. School-based interventions are common mitigation strategies for infectious disease epidemics, but if daily attendance is not the norm, the impact of schools on disease spread might be overestimated. METHODS: We use an agent-based model of an early 20th century Newfoundland community to compare epidemic size and duration in three scenarios: (1) all school-aged children attend school each weekday, (2) students aged 10-15 have a chance of engaging in adult activities each day, and (3) students aged 10-15 have a chance of being reassigned to adult roles at the start of each simulation and thus never attend school. RESULTS: As the probability of not attending school increases, epidemics become smaller and peak earlier. The change in final size is larger with permanent reassignment (35% at baseline, 18% at maximum reassignment) than with daily nonattendance (35% vs. 22%). For both scenarios, the peak occurs 3 days earlier with maximum absence compared to the baseline. Benefits extend beyond the reassigned agents, as all school-aged agents are more likely to escape infection with increasing reassignment, and on average, 3-6 additional agents (2.6%-5.3%) escape infection compared to the baseline. CONCLUSIONS: This study demonstrates that absenteeism can have important impacts on epidemic outcomes. Thus, socioeconomic and other reasons for nonattendance of school, as well as how rates vary in different contexts, must be considered in models predicting epidemic outcomes or evaluating public health interventions in the face of major pandemics.
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 | 0,003 | 0,014 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».