Assessing Early Public Response to COVID-19-Related Restrictions in New York City Using Spatial Analysis of Urban Mobility Data
Notice bibliographique
Résumé
The rapid spread of COVID-19 in the United States initiated shelter-in-place policies that significantly impacted human mobility and daily routines starting in March 2020. Prior literature has examined the differences in lockdown policy efficacy and compliance with government orders1-6, as well as the effect of mobility changes on case counts7-12. However, less attention has been placed on the connection between mobility and socio-demographics after the onset of COVID-19 within a city’s borders. This paper focused on how human mobility patterns in New York City during the first three months of the pandemic differed based on socio-demographic factors like age, household income, and method of transportation to work. A secondary analysis determined if the four measurements of mobility used, namely distance traveled from home, home dwell time, non-home dwell time, and percentage time home, yielded significantly different findings. A mobility ratio representing the change in mobility between the first two weeks of February and April 2020 was created using aggregated and anonymized cellphone mobility data from SafeGraph. A Global Moran’s Index was calculated for each mobility ratio to test for the presence of spatial autocorrelation, and then two spatial lag models were applied to account for the existence of autocorrelation. That there existed significant differences in mobility patterns based on socio-demographics reinforced the need for physical distancing policies that acknowledge the demographic diversity present not only between but also within cities.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».