Beware of regional heterogeneity when assessing the role of schools in the SARS-CoV-2 second wave in Italy
Notice bibliographique
Résumé
opening regional heterogeneity disease incidenceGandini et al. [1] argue that school opening was not a driver of the SARS-CoV-2 second wave in Italy.We contend this is an overreaching interpretation of their results.First, contrary to what indicated by the authors, cross-sectionally the incidence of SARS-CoV-2 among students age 14À18 is higher than the general population in 8 out of 18 regions considered (see Fig. 1.b in Gandini et al. [1]).Second, Gandini et al. [1]'s prospective analysis focuses on the temporal relationship between school opening and COVID-19 transmission in the Veneto region until November 7, 2020.However, consistently with the different implementation of public health measures at the sub-national level and the distinctive pandemic evolution and management in the Veneto region, evidence for 12 regions under monitoring by the Italian Epidemiological Association reveals substantial geographic variation in the role of school opening for Italy's second wave.Notably, at the end of September 2020, the rise in incidence among high school students age 14À18 preceded that of adults age 25+ in Emilia-Romagna, Lazio, Lombardy, Marche, Piemonte, and Tuscany [2] À the same regions (except for Lombardy) where Gandini et al. [1] find a higher incidence of SARS-CoV-2 among students age 14À18 than the general population (see Fig. 1.b).Official data from the Istituto Superiore di Sanit a confirm that, nationally, the rise in incidence among 10À19 years old has preceded that of adults age 30+ after school opening in Fall 2020 [3].The role of school openings on the second COVID-19 wave in Italy should thus not be minimized.
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 | 0,002 |
| 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 | 0,001 | 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 ».