Effects of school-level and area-level socio-economic factors on elementary school student COVID-19 infections: a population-based observational study
Notice bibliographique
Résumé
OBJECTIVES: To estimate the variability of the cumulative incidence of SARS-CoV-2 infections among elementary school students attributable to individual schools and/or their geographic areas, and to ascertain whether socio-economic characteristics of school populations and/or geographic areas may be predictive of this variability. DESIGN: Population-based observational study of SARS-CoV-2 infections among elementary school children. SETTING: 3994 publicly funded elementary schools in 491 forward sortation areas (designated geographic unit based on first three characters of Canadian postal code), Ontario, Canada, September 2020 to April 2021. PARTICIPANTS: All students attending publicly funded elementary schools with a positive molecular test for SARS-CoV-2 reported by the Ontario Ministry of Education. MAIN OUTCOME MEASURES: Cumulative incidence of laboratory-confirmed elementary school student SARS-CoV-2 infections in Ontario, 2020-21 school year. RESULTS: A multilevel modelling approach was used to estimate the effects of socio-economic factors at the school and area levels on the cumulative incidence of elementary school student SARS-CoV-2 infections. At the school level (level 1), the proportion of the student body from low-income households was positively associated with cumulative incidence (β=0.083, p<0.001). At the area level (level 2), all dimensions of marginalisation were significantly related to cumulative incidence. Ethnic concentration (β=0.454, p<0.001), residential instability (β=0.356, p<0.001) and material deprivation (β=0.212, p<0.001) were positively related, while dependency (β=-0.204, p<0.001) was negatively related. Area-related marginalisation variables explained 57.6% of area variability in cumulative incidence. School-related variables explained 1.2% of school variability in cumulative incidence. CONCLUSIONS: The socio-economic characteristics of the geographic area of schools were more important in accounting for the cumulative incidence of SARS-CoV-2 elementary school student infections than individual school characteristics. Schools in marginalised areas should be prioritised for infection prevention measures and education continuity and recovery plans.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».