MétaCan
Menu
Retour à la cohorte
Enregistrement W4214934041 · doi:10.2196/37304

Assessment of Preparedness for the COVID-19 Pandemic in Schools in Al-Rusafa District, Baghdad, Iraq, 2021

2022· article· en· W4214934041 sur OpenAlexvenueno aff
Marha Kamoona, Deepak Kumar, Alison Yoos, Bashar Abdul Latif, Ayad AL-Temeemy, Safaa Al Ghanimy

Notice bibliographique

RevueIproceedings · 2022
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreparednessGovernment (linguistics)PandemicPopulationStratified samplingObservational studyMedicineCoronavirus disease 2019 (COVID-19)Sample (material)Family medicineEnvironmental healthPolitical science

Résumé

récupéré en direct d'OpenAlex

Background Following the international spread of the novel coronavirus (SARS-CoV-2) or COVID-19 pandemic, the Iraqi government took several steps to prevent community transmission, including the indefinite closure of schools as a measure to safeguard schoolchildren from COVID-19. The key rationale behind these decisions was the insufficient preparedness level within schools to prevent infection and the lack of appropriate vaccines for children. Objective Researchers assessed COVID-19 preparedness levels in schools in Al-Rusafa district, Baghdad, to prepare schools for reopening. Methods An observational study design was conducted to assess the schools. Stratified sampling was performed to make the sample more representative; we stratified the schools into 3 categories based on sex, level (primary or secondary), and administration (public or private). The study population comprised all students and teachers in the selected sample. The assessment was carried out retrospectively for 3 months, from May 31, 2021. Data were collected through face-to-face interviews and analyzed using Microsoft Excel. Tables and pie charts were used to display the results. Results The assessment was completed in 40 schools—20 (50%) primary schools, 10 (25%) high schools, 6 (15%) intermediate schools, and 4 (10%) secondary schools. Overall, the assessment covered 1162 teachers and 16,776 students. The highest infection rate, according to school category, was among primary school staff (6.14%). Moreover, 92% (n=39) of the schools did not have a contact number for a nearby ambulance, and early detection system was weak in 60% (n=24) of the schools, which reflected low levels of school participation in preparing against the COVID-19 pandemic. Referral system for any sick person to an appropriate health facility was not present or was disabled in 63% (n=25) of the schools. Conclusions The assessment concluded that none of the schools had a robust screening system to record students infected with COVID-19. The study discusses several actions and requirements that should be reviewed and addressed to prevent the spread of COVID-19 in the schools and the community.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,056

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,278
Tête enseignante GPT0,476
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIproceedingsMême sujetCOVID-19 epidemiological studiesTravaux en français237 207