Examining the Association between the COVID-19 Pandemic and Self-Harm Death Counts in Four Canadian Provinces
Notice bibliographique
Résumé
Abstract Governments implemented lockdowns and other physical distancing measures to stop the spread of SARS-CoV-2 (COVID-19). Resulting unemployment, income loss, poverty, and social isolation, coupled with daily reports of dire news about the COVID-19 pandemic, could serve as catalysts for increased self-harm deaths (SHD). This ecological study examined whether observed SHD counts were higher than predicted SHD counts during the pandemic period in the Canadian provinces of Alberta, British Columbia, Ontario, and Québec. The study also explored whether SHD counts during the pandemic were affected by lockdown severity (measured using the lockdown stringency index [LSI]) and COVID-19 case numbers. We utilized publicly available SHD data from January 2018 through November 2020, and employed AutoRegressive Integrated Moving Average (ARIMA) modelling, to predict SHD during the COVID-19 period (March 21 to November 28, 2020). We used Poisson and negative binomial regression to assess ecological associations between the LSI and COVID-19 case numbers, controlling for seasonality, and SHD counts during the COVID-19 period. On average, observed SHD counts were lower than predicted counts during this period ( p < 0.05 [except Alberta]). Additionally, LSI and COVID-19 case numbers were not statistically significantly associated with SHD counts.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».