Effects of socio-economic factors on elementary school student COVID-19 infections in Ontario, Canada
Notice bibliographique
Résumé
ABSTRACT Background The prevalence of SARS-CoV-2 infections in Ontario is disproportionately concentrated in areas with lower-income and racialized groups. We examined whether school-level and area-level socio-economic factors were associated with elementary school student infections in Ontario. Methods We performed multi-level modeling analyses using data from the Ministry of Education on school-based infections in Ontario in the 2020-21 school year and on school-level demographics, the Ontario Marginalization Index, and census data to estimate the variability of the cumulative incidence of SARS-CoV-2 infections amongst elementary school students attributable to individual schools (school level, Level 1) and forward sortation areas (FSAs) of schools (area level, Level 2). We explored whether socio-economic factors within individual schools and/or factors common to schools within FSAs predicted the incidence of elementary school student infections. Results At the school level, the proportion of students from low-income households within a school was positively related with the cumulative incidence of SARS-CoV-2 elementary school student infections ( β = .083, p < 0.001). At the area level, the dimensions of FSA marginalization were significantly related with cumulative incidence. Ethnic concentration ( β = .454, p < 0.001), residential instability ( β = .356, p < 0.001), and material deprivation ( β = .212, p < 0.001) were positively related. Area-related variables were more likely to explain variance in cumulative incidence than school-related variables (58% versus 1%, respectively). Interpretation Socio-economic characteristics of the geographic location of schools were more important in determining the cumulative incidence of SARS-CoV-2 elementary school student infections than individual school characteristics. Given inequitable effects of protracted education disruption, schools in marginalized areas should be prioritized for infection prevention measures and education continuity and recovery plans.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».