Work-related and personal predictors of COVID-19 transmission: evidence from the UK and USA
Notice bibliographique
Résumé
OBJECTIVE: To develop evidence of work-related and personal predictors of COVID-19 transmission. SETTING AND RESPONDENTS: Data are drawn from a population survey of individuals in the USA and UK conducted in June 2020. BACKGROUND METHODS: Regression models are estimated for 1467 individuals in which reported evidence of infection depends on work-related factors as well as a variety of personal controls. RESULTS: The following themes emerge from the analysis. First, a range of work-related factors are significant sources of variation in COVID-19 infection as indicated by self-reports of medical diagnosis or symptoms. This includes evidence about workplace types, consultation about safety and union membership. The partial effect of transport-related employment in regression models makes the chance of infection over three times more likely while in univariate analyses, transport-related work increases the risk of infection by over 40 times in the USA. Second, there is evidence that some home-related factors are significant predictors of infection, most notably the sharing of accommodation or a kitchen. Third, there is some evidence that behavioural factors and personal traits (including risk preference, extraversion and height) are also important. CONCLUSIONS: The paper concludes that predictors of transmission relate to work, transport, home and personal factors. Transport-related work settings are by far the greatest source of risk and so should be a focus of prevention policies. In addition, surveys of the sort developed in this paper are an important source of information on transmission pathways within the community.
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 | 0,004 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».