Policing the pandemic: estimating spatial and racialized inequities in New York City police enforcement of COVID-19 mandates
Notice bibliographique
Résumé
The use of policing to enforce public health guidelines has historically produced harmful consequences, and early evidence from the police enforcement of COVID-19 mandates suggested Black New Yorkers were disproportionately represented in arrests. The over-policing of Black and low-income neighborhoods during a pandemic risks increased transmission, potentially exacerbating existing health inequities. To assess racialized and class-based inequities in the enforcement of COVID-19 mandates at the ZIP-code-level, we conducted a retrospective spatial analysis of demographic factors and public health policing in New York City from March 12-May 24, 2020. Policing outcomes (COVID-19 criminal court summonses and public health and nuisance arrests) were measured using publicly available police administrative data. After controlling for two measures of social distancing compliance, a standard deviation increase in percentage of Black residents was associated with a 73% increase (95% CI: 35%, 123%) in the COVID-19-specific summons rate and a 34% increase (95% CI: 17%, 53%) in the public health and nuisance arrest rate. Percentage of Black residents and historical stop-and-frisk rates had stronger associations with COVID-19 summons rates than multiple measures of social distancing compliance. Findings demonstrate pronounced spatial and racialized inequities in pandemic policing of public health that mimic historical policing practices deemed racially discriminatory. If the field of public health supports criminalization and punishment as public health strategies, it risks reinscribing racialized health inequities.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».