Statistical Considerations when Communicating Health Risks: Experiences from Canada, Chile, Ecuador and England Facing COVID-19
Notice bibliographique
Résumé
Communicating statistics in health risk communication is a fundamental part of managing public health emergencies. Effective communication requires careful planning and the anticipation of possible information demands from the population. The information should be clear, relevant, easy to understand, timely, accurate and precise, allowing the public to make informed decisions about protective behaviours. COVID-19, being a new disease, with little known about its characteristics and effects, has challenged governments and healthcare systems in all countries. This article discusses the statistical issues involved, and the experiences of risk communication in four countries – Canada, Chile, Ecuador and England. These countries have communicated risks differently, partly because of their different healthcare systems, as well as socioeconomic, cultural and political realities. During a pandemic, health authorities and governments must step up to the challenge of communicating statistical information under pressure and with urgency, when little is known about the disease, the situation is dynamic and evolving, and the general public is gripped with fear and anxiety. This is in addition to the existing challenges relating to the generation of data of different quality by diverse sources, and a public with varying levels of statistical literacy. From a statistical perspective, communiqués about risks and numbers should convey the uncertainty there is about the information, the inherent variabilities in the system, the precision and accuracy of estimates and the assumptions behind projections. Complex technical concepts, such as ‘flattening the curve’, ‘range in risk estimates’ and ‘projected trends,’ should be explained.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| 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 ».