MétaCan
Menu
Retour à la cohorte
Enregistrement W4286884844 · doi:10.37970/aps.v6i1.101

Having babies in times of uncertainty: first results of the impact of COVID-19 on the number of babies born in Australia

2022· article· en· W4286884844 sur OpenAlexaboutno aff
Edith Gray, Ann Evans, Anna Reimondos

Notice bibliographique

RevueAustralian Population Studies · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 Impact on Reproduction
Établissements canadiensnon disponible
Organismes subventionnairesNew South Wales GovernmentAustralian Government
Mots-clésCoronavirus disease 2019 (COVID-19)Quarter (Canadian coin)PandemicDemographySpeculationSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakBirth rateGeographyDemographic economicsMedicineEconomicsPopulationSociologyFertilityInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Background There has been considerable speculation on whether the COVID-19 pandemic had an effect on childbearing behaviour. Based on the experience of other social and economic disruptions, many researchers suggested that births would decline, while others argued that there could be a positive effect. Aims This paper considers the uncertainties associated with the impacts of COVID-19, particularly the relationship between the timing of COVID-19 events and subsequent births. Data and methods Publicly available birth data from birth registers, perinatal databases, and public hospital data were compiled and analysed to document changes in numbers and patterns of recorded births during 2020 and 2021. Results Births declined in 2020 but then rebounded in 2021. Quarterly birth data from New South Wales and Western Australia suggest that the sharpest drop in conceptions occurred in the January-March 2020 quarter. This coincided with the period when the pandemic was first taking off and when uncertainty about the future was at its highest. Conclusions The uncertainty associated with the onset of the COVID-19 pandemic had a noticeable impact on births in 2020. It also shows, where data is available, that this impact was relatively short-lived, and births rebounded in 2021. We note that data is still sparse for Victoria, a state which was substantially more affected by lockdowns.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,072
Score d'incertitude au seuil0,965

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,136
Tête enseignante GPT0,440
Écart entre enseignants0,304 · 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 tête enseignante, 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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAustralian Population StudiesMême sujetCOVID-19 Impact on ReproductionTravaux en français237 207