Policing the pandemic: estimating spatial and racialized inequities in New York City police enforcement of COVID-19 mandates
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,005 | 0,013 |
| 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 | 0,001 | 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 découle