The Impact of State Paid Sick Leave Policies on Longitudinal Weekday Workplace Mobility During the COVID-19 Pandemic
Notice bibliographique
Résumé
Abstract Objectives To evaluate whether the Families First Coronavirus Response Act (FFCRA) modified the association between pre-existing state paid sick leave (PSL) and weekday workplace mobility between February 15 and July 7, 2020. Methods The 50 US states and Washington, D.C. were divided into exposure groups based on the presence or absence of pre-existing state PSL policies. Derived from Google COVID-19 Community Mobility Reports, the outcome was measured as the daily percent change in weekday workplace mobility. Mixed-effects, interrupted time series regression was performed to evaluate weekday workplace mobility after the implementation of the FFCRA on April 1 st , 2020. Results States with pre-existing PSL policies exhibited a greater drop in mobility following the passage of the FFCRA ( β =-8.86,95%CI:-11.6,-6.10, P < 001). This remained significant after adjusting for state-level health, economic, and sociodemographic indicators ( β =-3.13,95%CI:-5.92,-0.34, P =.039). Conclusions Pre-existing PSL policies contributed to a significant decline in weekday workplace mobility after the FFCRA, which may have influenced local health outcomes. Policy implications The presence of pre-existing state policies may differentially influence the impact of federal legislation enacted during emergencies.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».