Harnessing the Potential of Google Searches for Understanding Dynamics of Intimate Partner Violence Before and After the COVID-19 Outbreak
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
Abstract Most social phenomena are inherently complex and hard to measure, often due to under-reporting, stigma, social desirability bias, and rapidly changing external circumstances. This is for instance the case of Intimate Partner Violence (IPV), a highly-prevalent social phenomenon which has drastically risen in the wake of the COVID-19 pandemic. This paper explores whether big data—an increasingly common tool to track, nowcast, and forecast social phenomena in close-to-real time—might help track and understand IPV dynamics. We leverage online data from Google Trends to explore whether online searches might help reach “hard-to-reach” populations such as victims of IPV using Italy as a case-study. We ask the following questions: Can digital traces help predict instances of IPV—both potential threat and actual violent cases—in Italy? Is their predictive power weaker or stronger in the aftermath of crises such as COVID-19? Our results suggest that online searches using selected keywords measuring different facets of IPV are a powerful tool to track potential threats of IPV before and during global-level crises such as the current COVID-19 pandemic, with stronger predictive power post outbreaks. Conversely, online searches help predict actual violence only in post-outbreak scenarios. Our findings, validated by a Facebook survey, also highlight the important role that socioeconomic status (SES) plays in shaping online search behavior, thus shedding new light on the role played by third-level digital divides in determining the predictive power of digital traces. More specifically, they suggest that forecasting might be more reliable among high-SES population strata.
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 | 0,003 | 0,001 |
| 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 | 0,000 | 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 découle