Constructing a longitudinal database of Targeted Regulation of Abortion Providers laws
Notice bibliographique
Résumé
Objective: To build a longitudinal state-level database on targeted regulation of abortion provider (TRAP) laws.Data sources: Primary sources included state websites, Lexis Nexis Quicklaw, and WestlawNext.We also relied on a range of secondary sources (including media reports and existing cross-sectional data) to pinpoint policy enactment and enforcement. Study design:This was an iterative state-level review and compilation of data on TRAP shifts from 1973 to present.Data collection: Two coders captured quantitative and qualitative data on TRAP policy activity and timing, focusing specifically on ambulatory surgical center (ASC) laws, admitting privilege requirements, and transfer agreements as these policies may pose significant compliance challenges to providers.Data were repeatedly cross-referenced and ultimately compiled to build a comprehensive record of state-level TRAP shifts over time.Principal findings: According to our search results, 25 states had ever enacted an ASC, admitting privilege, or transfer agreement law.Fewer states (n=21) enforced these laws, and many currently face legal challenges.Conclusions: TRAP laws are favored by many states as a way to regulate abortion provision, but the lack of longitudinal data on state-level policy shifts hinders our ability to quantify the impact of these laws beyond a single-state setting.These data can be used to better understand the impact of TRAP laws.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».