The Efficiency of U.S. Public Space Utilization During the COVID‐19 Pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic has called for and generated massive novel government regulations to increase social distancing for the purpose of reducing disease transmission. A number of studies have attempted to guide and measure the effectiveness of these policies, but there has been less focus on the overall efficiency of these policies. Efficient social distancing requires implementing stricter restrictions during periods of high viral prevalence and rationing social contact to disproportionately preserve gatherings that produce a good ratio of benefits to transmission risk. To evaluate whether U.S. social distancing policy actually produced an efficient social distancing regime, we tracked consumer preferences for, visits to, and crowding in public locations of 26 different types. We show that the United States' rationing of public spaces, postspring 2020, has failed to achieve efficiency along either dimension. In April 2020, the United States did achieve notable decreases in visits to public spaces and focused these reductions at locations that offer poor benefit-to-risk tradeoffs. However, this achievement was marred by an increase, from March to April, in crowding at remaining locations due to fewer locations remaining open. In December 2020, at the height of the pandemic so far, crowding in and total visits to locations were higher than in February, before the U.S. pandemic, and these increases were concentrated in locations with the worst value-to-risk tradeoff.
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 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».