Dominant Modes of Agricultural Production Helped Structure Initial COVID-19 Spread in the U.S. Midwest
Notice bibliographique
Résumé
The spread of COVID-19 is geographically uneven in agricultural regions. Explanations proposed include differences in occupational risks, access to healthcare, racial inequalities, and approaches to public health. Here, we additionally explore the impacts of coexisting modes of agricultural production across counties from twelve midwestern U.S. states. In modeling COVID-19 spread before vaccine authorization, we employed and extended spatial statistical methods that make different assumptions about the natures and scales of underlying sociospatial processes. In the process, we also develop a novel approach to visualizing the results of geographically weighted regressions that allows us to identify distinctive regional regimes of epidemiological processes. Our approaches allowed for models using abstract spatial weights (e.g., inverse-squared distances) to be meaningfully improved by also integrating process-specific relations (e.g., the geographical relations of the food system or of commuting). We thus contribute in several ways to methods in health geography and epidemiology for identifying contextually sensitive public engagements in socio-eco-epidemiological issues. Our results further show that agricultural modes of production are associated with the spread of COVID-19, with counties more engaged in modes of regenerative agricultural production having lower COVID-19 rates than those dominated by modes of conventional agricultural production, even when accounting for other factors.
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 | 0,002 | 0,013 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».